I corpora comparabili

I criteri di selezione adottati nella costruzione dei corpora comparabili, sulla base di quelli suggeriti da Bowker e Pearson (2002: 49-52), sono stati principalmente la lingua e il dominio. Nella selezione dei testi, si è prestata particolare attenzione alla varietà di lingua utilizzata, ricercandone l’autenticità: si è provveduto quindi a scartare (per quanto possibile) i testi prodotti da parlanti non nativi o frutto di processi di traduzione. È stato inoltre adottato un approccio

topic-driven, ossia orientato al dominio di interesse, in modo da raccogliere testi incentrati

sull’argomento specialistico di indagine.

Per la creazione dei due corpora monolingue comparabili, si è ricorso all’uso di BootCat51_{, un}

software in grado di creare corpora di notevoli dimensioni, in tempi molto rapidi e in maniera

semi-automatica (tramite uno speciale algoritmo) utilizzando il web come fonte da cui reperire

94

i testi. BootCat è uno strumento particolarmente utile per la creazione di corpora orientati al dominio. Come rilevano Bernardini e Ferraresi (2013: 8),

In the “traditional” BootCaT pipeline, the first step in corpus creation consists in selecting seeds “that are expected to be representative of the domain under investigation”52_{. In the case of a translation task, the web pages that are retrieved} by the tool based on these seeds are usually expected to deal with the same topic as the ST to be translated.

A partire da una serie di seed53 _{inseriti manualmente dall’utente e combinati successivamente}

in n-tuple54 _{in modo automatico e casuale, BootCat interroga il web, scaricando pagine in}

formato html in cui figurano i seed desiderati. L’assenza di intervento umano, in questa fase, non garantisce la totale esclusione, da parte del software, di pagine web contenenti testi poco rappresentativi del dominio di riferimento o qualitativamente inattendibili, poiché non autentici. Pertanto, una volta generato l’elenco delle URL afferenti alle pagine selezionate da BootCat, l’utente è invitato a esaminarle attentamente e a scartare quelle reputate inopportune, prima di dare avvio alla creazione automatica del corpus.

Per cominciare, il corpus monolingue italiano è stato creato manualmente raccogliendo i quattro documenti fonte utilizzati a supporto della redazione (cfr. paragrafo 3.1.2) e il rapporto sulle agevolazioni fiscali approvato da Bloomfield. La creazione di questo corpus preliminare è stata finalizzata all’estrazione di keyword specifiche del dominio di riferimento, da usare come

seed in BootCat per la costruzione automatica di un corpus più ampio, al fine di estendere il

repertorio di testi in lingua italiana su cui condurre le indagini linguistiche. I testi per la creazione manuale del corpus monolingue sono stati convertiti in formato txt, codificati in UTF- 8 tramite l’apposita applicazione Any2UTF855 _{e inseriti in AntConc}56_{. Questo programma di} concordanza, infatti, oltre a permettere di indagare le regolarità linguistiche che emergono dai

52 _{Fonte citazione: Baroni, M. e Bernardini, S. “Bootcat: Bootstrapping corpora and terms from the web”. In}

Proceedings of LREC (2004). 1313 – 1316. Lisbona: ELDA.

53 _{I seed sono termini considerati tipici del dominio specialistico analizzato e utilizzati come input per la creazione}

del corpus, affinché i testi raccolti siano afferenti all’argomento trattato.

54 _{Le tuple sono combinazioni casuali di n-seed, che BootCat utilizza come stringhe di ricerca in Google. La scelta}

del numero di seed dipende dalla specificità del dominio: in genere la lunghezza delle tuple varia da due seed, per la costruzione di un corpus generico, a tre seed, per la costruzione di un corpus specialistico.

55 _{La codifica in UTF-8 è necessaria per la corretta elaborazione dei testi da parte di AntConc. L’applicazione è}

disponibile al sito web: http://docs.sslmit.unibo.it/doku.php?id=any2utf8:start

95

testi (quali collocazioni57_{, concordanze e frequenze d’uso dei termini) consente anche} l’estrazione semi-automatica di terminologia da corpora informatici di riferimento. La funzione

Keyword List, ad esempio, permette di rilevare, all’interno del corpus preso in esame, la

presenza di parole che risultano insolitamente frequenti rispetto a quelle di un altro repertorio di testi inserito come corpus di riferimento. Pertanto, confrontando una lista di frequenza di un

corpus specialistico con una lista di frequenza di un corpus generale, è possibile ottenere una keyword list contenente i termini più tipici e distintivi dell’ambito specialistico che si intende

analizzare (Viganò 2011: 119). Se la funzione Keyword List è in grado di rilevare parole singole, e quindi termini semplici, la funzione Cluster/N-grams consente invece l’identificazione di termini complessi, in quanto segnala la presenza di combinazioni di due o più parole (i cluster) che si ripetono con una frequenza minima specificata dall’utente (ibid.). Per rilevare la terminologia specifica del dominio in questione si è quindi fatto ricorso a entrambe queste due funzioni.

Una volta caricato il corpus all’interno del programma, utilizzando itWaC58 _come

corpus di riferimento, sono stati generati due elenchi di keyword e 3-gram: i termini semplici e

complessi evidenziati da AntConc nelle due liste e reputati più rilevanti dalla traduttrice sono stati inseriti come seed all’interno di BootCat (Figura 10). Al termine della procedura automatica di combinazione delle tuple e raccolta URL, le pagine selezionate dal software sono state accuratamente filtrate in modo da scartare i testi non autentici o poco rappresentativi del dominio considerato. Il corpus monolingue italiano è stato quindi automaticamente creato da BootCat in formato txt e salvato in un’apposita cartella.

57 _{Le collocazioni sono co-occorrenze lessicali non motivate dalla semantica ma dall'uso. Fonte:}

https://moodle.sslmit.unibo.it/mod/resource/view.php?id=47673

58 _{ItWaC (Italian Web Corpus) è il corpus di maggiori dimensioni attualmente disponibile per l’italiano (Baroni et}

al. 2009), costruito tramite la raccolta di testi scaricati dal web con metodi automatici e contenente più di un miliardo e mezzo di parole.

96 Figura 10

Per la realizzazione del corpus monolingue inglese, si è scelto di inserire come seed la traduzione in inglese dei seed in lingua italiana usati in precedenza per costruire il corpus monolingue italiano. Gli equivalenti inglesi di tali termini sono stati reperiti consultando lo IATE59 _{(Interactive Terminology for Europe), il database terminologico dell’Unione europea,} e la piattaforma Eur-LEX60_{, il sito web dell’Unione europea che offre la consultazione online} gratuita di tutti i testi di legge dell’UE nelle 24 lingue ufficiali. Come si evince dalla Figura 11, per alcuni dei termini in lingua italiana sono stati rilevati più traducenti: si è quindi scelto di inserire 17 seed a fronte dei 13 impiegati per il corpus in lingua italiana, confidando che il grado di appropriatezza/equivalenza di ogni traducente sarebbe stato rivelato in seguito da un’attenta analisi del corpus generato.

59 _{Sito web: https://iate.europa.eu/home}

97 Figura 11

È stata quindi ripetuta la stessa procedura anche per la realizzazione del corpus monolingue inglese.