Paolo Monella Laboratorio di Informatica specialistica per Scienze dell'Antichità Glossario di Informatica umanistica

Introduzione, modelli e algoritmi

DH

Digital humanities, informatica umanistica: applicazione di metodi e strumenti digitali agli studi umanistici

Modello

Rappresentazione dinamica di un oggetto, che ne include le parti funzionali ad una simulazione

Algoritmo

Sequenza di istruzioni formali miranti a raggiungere un obiettivo

CharSet

Character set, tabella che associa ad ogni carattere un numero. Esempi: ASCII, Unicode

Markup

ML

Markup language, linguaggio di markup

MarkDown

Gioco di parole a partire da mark-up che indica un ML molto semplice, che fa uso di caratteri come #, *, _ per indicare semplice formattazione (# titoli, *corsivi*, **grassetti**, riga che inizia con * per gli elenchi puntati etc.)

SGML

Standard Generalized Markup Language. L'idea di fondo è quella di mettere il markup tra parentesi particolare; usando questo schema, si possono creare vari ML

XML

Sta per eXtensible Markup Language. Una semplificazione di SGML, per cui per esempio le parentesi sono sempre <quelle uncinate>, i tag vanno sempre chiusi con </tag_di_chiusura> etc.

HTML

HyperText Markup Language. Il ML originariamente fondato su SGML usato per le pagine Web, e ora anche per moltissime app per cellulari e tablet

LaTeX

ML usato in ambito tipografico

XML (inclusi HTML e TEI)

Tag di apertura

<p>: tag (etichetta) di apertura, start tag

Tag di chiusura

</p>: tag (etichetta) di chiusura: end tag

Contenuto testuale

<p>Viva la pappa col pomodoro</p>: la parte in arancione è il "contenuto testuale" (textual content, text content), il testo "marcato" (marked up) dal metatesto (markup)

Nome dell'elemento (element name = tag name)

Esempio: in <div>Bla bla</div>, <div> è il tag di apertura, mentre div è il nome dell'elemento (element name, spesso però chiamato semplicemente 'tag')

Attributi (attributes) e valori degli attributi (attribute values)

Esempio: in <a href=" http://www.unipa.it/paolo.monella/">Bla bla</div>, href è l'attributo (vedi sotto per il suo significato), mentre http://www.unipa.it/paolo.monella/ è il valore dell'attributo href

Elementi pieni

Elementi che hanno contenuto testuale (in arancione sotto). In questo esempio, il contenuto testuale è in arancione: <title>Pagina del laboratorio</title>. Negli "elementi pieni": elemento = tag di apertura + eventuali attributi + contenuto testuale + tag di chiusura. In <p>Viva la pappa col pomodoro</p>, tutta la parte evidenziata in arancione è l'"elemento"

Elementi vuoti (empty elements o "self-closing tags", che si chiudono da soli)

Elementi che non hanno contenuto testuale. Esempio: <br/>. Negli 'elementi vuoti' (empty elements, o "self-closing tags", vedi sotto), elemento = tag + eventuali attributi. In <br/>, la parte evidenziata in arancione è l'"elemento"

Rapporti (gerarchici) tra gli elementi

• parent element (elemento genitore)
• child element (elemento figlio)
• sibling element (elemento fratello/sorella)
• root element (elemento radice): l'Abramo padre di tutti

Marcare, taggare, annidare

• Marcare o taggare (ingl. to markup some up text, to mark tome text up, to tag some text): inserire markup intorno a del testo
• to wrap = avvolgere: <div><p>uno</p><p>due</p><div> → qui <div> 'wraps' <p>
• cioè: <p> è "annidato" (nested) dentro <div>
• cioè: <p> è dentro <div>, cioè <p> è figlio di <div>

Codice sorgente (source code)

• La sequenza di caratteri che il computer effettivamente gestisce
• Il codice implementa (realizza) il nostro modello di testo (o di altro)
• Il codice può venire processato (elaborato) da un algoritmo (un programma, un'app)
• Ad es.: il codice sorgente (il file) HTML viene normalmente processato da un browser (come Firefox, Chrome, Safari) per permettere all'utente di visualizzare una pagina web e di seguire i link

Programmi WYSIWYG (ad es. Microsoft Word o Libreoffice Writer)

• Non mi fanno editare il codice sorgente direttamente: io modifico il testo già processato/visualizzato, il programma si occupa di modificare il sorgente per me, e io vedo direttamente l'effetto delle modifiche
• Invece Blocco note (e in parte anche TextEdit) mi permettono di editare direttamente il codice sorgente

Case-sensitive

Situazione in cui la differenza maiuscolo / minuscolo (il "case", in inglese) è rilevante, cioè l'algoritmo (il programma si comporta diversamente se una lettera è maiuscola o minuscola. Esempio: le password sono case-sensitive, cioè l'algoritmo garantisce l'accesso solo se la sequenza di caratteri è esattamente quella, e in quel "case", quindi se la password è "P54ffR" e io digito "p54ffR" l'algoritmo nega l'accesso

Case-insensitive

Situazione in cui il "case" non è rilevante. Esempio: gli indirizzi email e gli URL

Schema XML

Documento che dice

• quali sono gli elementi
• chi è figlio di chi
• quali attributi prende chi
• quali tipi di valori prendono gli attributi etc.

TEI XML Schema vs TEI Guidelines

• Lo schema (in formato RNG, DTD etc.) spiega al computer la struttura del linguaggio, così il computer lo può processare
• Le Guidelines ( https://www.tei-c.org/release/doc/tei-p5-doc/en/html/index.html lo spiegano all'umano, come un manuale

TEI

Text Encoding Initiative. L'acronimo si usa normalmente per indicare il linguaggio XML creato e gestito dal TEI-C

TEI-C

TEI Consortium, nasce a fine anni '80

Indici

Stringa

Sequenza di caratteri (vd. CharSet, sopra)

Tokenizzazione

Divisione del testo in token = parole (grafiche). Può essere problematica: vedi la funzione dell'apostrofo in "Dammi un'ultima notizia" (due parole separate) e in I have to rs's (ho due rs; un'unica parola)

Indicizzazione

Creazione di indici (index), cioè elenchi delle parole usate nel testo, ognuna presa una volta sola. L'indice di 'tre tigri contro tre trigri' è 'tre, contro, tigri'.

Indici di frequenza

Indici in cui a ogni parola è associata la sua frequenza

Frequenza (vs numero di occorrenze/attestazioni)

rapporto (divisione) tra il numero di occorrenze/attestazioni e il numero totale di parole. Esempio:

• 4 occorrenze di 'occhi' in un testo di 100 parole = 4 / 100 = 0,04 (oppure 4 %), frequenza alta
• 4 occorrenze di 'occhi' in un testo di 1000 parole = 4 / 1000 = 0,004 (oppure 0,4 %), frequenza più bassa

Concordanza

Elenco dei passi contenenti una parola in un testo o in un corpus. Può contenere

• Solo un elenco di citazioni (es.: Verg. Aen. 4.23)
• O può includere il contesto, cioè in passo vero e proprio, le parole del testo

Distant reading

Linguisica computazionale

Tree

Albero sintattico (chomskiano)

Treebank

(banca di alberi → raccolta di alberi):

Insieme di analisi sintattiche su un testo o un corpus

Treebanking

Creazione di treebank, analisi sintattiche di un testo o corpus

PoS tagging

Letteralmente, attribuzione di un tag che dica la parte del discorso cui appartiene una parola (PoS = part of speech, parte del discorso, come nome, verbo, preposizione, aggettivo etc.); esempio: 'facilem → aggettivo'. Nella pratica, invece, l'espressione indica l'analisi morfologica completa di una parola; esempio: 'facilem → aggettivo, accusativo singolare maschile'

PoS tagger

Programma che fa il PoS tagging

Token vs lemma

• 'Token' è la forma flessa (es. 'bonorum'),
• 'Lemma' è la parola (grafica) a prescindere dalla flessione ('bonus, -a, -um')

Lemmatizzazione

Ricondurre un token al suo lemma

Lemmatizzatore (lemmatizer)

Programma che lemmatizza. Normalmente, però, si parla di lemmatizzatore/PoS tagger, cioè uno stesso programma fa entrambe le cose (dice qual è il lemma, e fa l'analisi morfologica). Esempi:

• il lemmatizzatore/PoS tagger integrato in Perseus si chiama Morpheus;
• uno che si può installare è TreeTagger;
• un altro, ottimizzato per il latino, è LEMLAT (versione online, versione installabile)