CorDIC: Corpora Didattici Italiani di Confronto

I corpora CorDIC LABLITA (Corpora Didattici Italiani di Confronto) sono stati progettati per offrire uno strumento didattico per il confronto tra le varietà scritta e orale dell’italiano, in occasione della pubblicazione del volume di Emanuela Cresti e Alessandro Panunzi, Introduzione ai corpora dell'italiano, Il Mulino, 2013.

CorDIC si articola in due sezioni indipendenti: il corpus CorDIC-scritto e il corpus CorDIC-parlato. Le due risorse sono strettamente comparabili anche dal punto di vista delle dimensioni: ciascuna raccolta contiene circa 500.000 parole suddivise in 200 campioni testuali (con una media di 2.500 parole per ogni testo).

I corpora sono pubblicati in rete a cura di Lorenzo Gregori e Alessandro Panunzi.

Strumenti e risorse utilizzati

Il corpus CorDIC-scritto contiene testi scaricati dalla rete attraverso la piattaforma RIDIRE-CPI, appositamente disegnata per il progetto RIDIRE e poi filtrati manualmente con un lavoro di selezione, analisi e pulizia per assicurare la loro adeguatezza all'interno del corpus.
Il corpus CorDIC-parlato è stato derivato dalle trascrizioni del corpus di parlato spontaneo raccolto presso LABLITA (Laboratorio Linguistico Italiano dell’Università di Firenze).

Questa applicazione web utilizza la piattaforma open-source messa a disposizione dal progetto NoSketch Engine (un’edizione limitata del software commerciale SketchEngine).

CorDIC: Struttura dei corpora

I due corpora di scritto e di parlato sono stati realizzati a partire da un corpus design predefinito. Pertanto ogni testo è stato classificato con uno o più metadati identificativi della tipologia a cui il testo appartiene e questo consente di poter analizzare la lingua nei diversi ambiti di applicazione.

CorDIC-scritto

I 200 testi del corpus scritto sono classificati in 5 tipologie, ciascuna delle quali rappresenta un dominio d’uso linguistico semantico o funzionale: creativo, burocratico, stampa, arti, economia. Ogni dominio è rappresentato da un uguale numero di testi, ed ogni sotto-corpus conta circa 100.000 parole.

Dominio	N. testi	N. parole	Percentuale
Totale CorDIC-scritto	200	502.665
arti	40	101.299	20,15%
burocratico	40	98.814	19,66%
creativo	40	101.725	20,24%
economia	40	100.072	19,91%
stampa	40	100.755	20,04%

CorDIC-parlato

Il corpus si parlato è stato disegnato in base al contesto di raccolta: sono presenti due tipologie principali, il parlato prodotto in contesto naturale (interazioni faccia a faccia; circa l’80% della raccolta) e il parlato trasmesso (circa il 20%).
Il parlato in contesto naturale è stato a sua volta articolato in due sotto-sezioni delle stesse dimensioni: contesto privato (che comprende anche le interazioni in famiglia) e contesto pubblico. A partire da questa classificazione sono state create tre tipologie principali: privato, pubblico e trasmesso.

Contesto	N. testi	N. parole	Percentuale
Totale CorDIC-parlato	200	499.011
privato	82	193.905	38,86%
pubblico	86	198.468	39,77%
trasmesso	32	106.638	21,37%

Per il parlato in contesto naturale (pubblico e privato) è stata creata un'ulteriore classificazione sulla base del tipo di interazione dello scambio comunicativo: sono state distinte le interazioni monologiche e le interazioni dialogiche, con due o più parlanti.
Le trascrizioni di parlato trasmesso non sono state classificate rispetto a questo tratto e questo livello sono tutte identificate dal tag non_classificato.

Tipo di interazione	N. testi	N. parole	Percentuale
Totale contesto naturale	168	392.373
dialogico	115	266.095	67,82%
monologico	53	126.278	32,18%