1 / 25

Corpus Stammerjohann

Corpus Stammerjohann. L’italiano parlato a Firenze nel 1965 dalle registrazioni di Harro Stammerjohann. Ricerca finanziata dal “ Fondo Nazionale Italiano per la Ricerca di Base (FIRB): “L’Italiano in Diacronia ”. Corpus Stammerjohann. N° Registrazioni: 30 Durata Totale: circa 47 Ore.

eara
Download Presentation

Corpus Stammerjohann

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Corpus Stammerjohann L’italiano parlato a Firenze nel 1965 dalle registrazioni di Harro Stammerjohann Ricerca finanziata dal “Fondo Nazionale Italiano per la Ricerca di Base (FIRB): “L’Italiano in Diacronia”

  2. Corpus Stammerjohann • N° Registrazioni: 30 • Durata Totale: circa 47 Ore

  3. TRACCIA 1 • Scuola elementare Vitali / Perugi • Artigiano Contini / Nencioni • Conversazione in casa Vitali • Conversazione Romoli • Conversazione Braccini • TRACCIA 2 • San Frediano (Bendinelli) • Bidello Magistero (Braschi) • Artigiano San Frediano (Braschi) • Barbiere via Faenza • TRACCIA 1 • Pinocchio (Pensione) • Barbiere via Faenza • Il grillo canterino • Franco e Serena • TRACCIA 2 • Lilian’ s • Barbiere via Faenza • Conversazione Garavini • TRACCIA 1 • Conversazione in casa Vitali • Barbiere via Faenza • TRACCIA 2 • Scherzo via San Gallo • Copie Rai (Il grillo canterino) • Facoltà di Lettere (Braccini) • Barbiere via Faenza • TRACCIA 1 • Giardino d’ infanzia (Bendinelli) • Amiche della Bendinelli • Famiglia • Studio Porcinai • Il grillo canterino Rai • Franco e Serena • Giardino d’ infanzia San Frediano • TRACCIA 2 • Barbiere via Faenza

  4. Durata Registrazioni (Totale: 2806 minuti)

  5. Recupero del Corpus Stammerjohann • Audio • Digitalizzazione • Campionamento • Testo • Trascrizione in formato CHAT • Meta-dati • Allineamento Testo-Audio dei testi con minore quantità di sovrapposizioni e migliore qualità acustica

  6. Campionamento del corpus rispetto ai corpora di riferimento LABLITA e C-ORAL-ROMper la comparabilità dei dati linguistici

  7. CORPUS ITALIANOC-ORAL-ROM (311.582 parole; 460 locutori) FORMAL 156.544 INFORMAL 155.048 10 testi di 4.500 parole 70 testi di 1.500 parole testi di 3.000 parole

  8. C-ORAL-ROM ITALIANO INFORMALE DOMINIO SOCIOLOGICO D’USO Familiare e privato 128.696 Pubblico 26.352 Monologues 45.212 dial&convers 83.464 Monologues 6.050 dial&convers 20.241 STRUTTURA DELL’EVENTOCOMUNICATIVO

  9. C-ORAL-ROM FORMAL ( campionamento per genere e dominio semantico) Trasmissione non naturale88.220 Natural context 68.324 Media 61.638 Téléphone 26.582 • Droit • Débat politique • Religion • Enseignement • Conférence • Explications professionnelles • Affaires • (testi di 3.000 parole) • 30.598 –dialogical structure • News • Météo • Interviews • Reportages • Science • Talk show • (testi di 3.000 parole) • Dialogues • Man-machine interactions

  10. CAMPIONAMENTO dell’insieme di registrazioni continue in testi di dimensione tra le 1500 e le 4500 parole • Il campionamento dialogico informale è fortemente comparabile • Il campionamento dialogico regolato/formale è comparabile, con cautela • Il parlato monologico non è comparabile • I media sono scarsamente comparabili

  11. Campionamento rispetto ai corpora di riferimento LABLITA e C-ORAL-ROM Corpus Stammerjohann 1965 : 47 h registrazioni trascritte 8h 31’ 96548 parole in 34 testi Corpus C-ORAL-ROM ’90 – 2003 : 36 h trascritte per 311.582 parole

  12. TESTO Format: CHAT (Codes Human Analysis of Transcripts) di B. McWhinney (1994) adattamento in (Cresti – Moneglia, 1997) Meta-dati: Informazioni sulla sessione e sui locutori (C-ORAL-ROM format )* Linea del testo: trascrizione ortografica Linea dipendente: informazione contestuale e paralinguistica Il metalinguaggio è sempre l’inglese * Anche in Format IMDI(Isle Metadata Iniziative) in collaborazione con il Max Planck Institute.

  13. Mata-dati @Title: Palmira @File: ifamcv19 @Participants: PAL, Palmira, (woman, D, x, retired, conversation participant, Florence) CAR, Carlota, (woman, C, 3, researcher, conversation participant, Spain) GIU, Giuseppina, (woman, D, x, retired, conversation participant,Florence) @Date: 10/10/2001 @Place: Florence @Situation: shared-memories dialogue between relatives at home, not hidden, researcher participant @Topic: events in family life @Source: C-ORAL-ROM @Class: informal, family/private, conversation @Length: 9’ 25’’ @Words: 1518 @Acoustic_quality: A @Transcriber: Sabrina Signorini @Revisor: Paola Gramigni; Antonietta Scarano @Comments: text collected by Carlota Nicolas

  14. Un esempio di testo trascritto

  15. Unità di riferimento annotate nella trascrizione • Turno dialogico: ogni presa di parola da parte di un parlante (identificabile con il cambiamento di voce) • Enunciato:qualsiasi espressione interpretabile pragmaticamente, ossia ogni espressione attraverso cui viene compiuta una illocuzione (Cresti, 2000) • (identificabile con un break prosodico terminale) • Unità d’informazione:qualsiasiespressione che svolge una funzione informativa (Cresti, 2000). (identificabile con un break prosodico non terminale). • Parte del discorso e lemma di ogni token (non realizzata)

  16. Annotazione • Locutore • Unità d’intonazione non terminale • Unità d’intonazione terminale *PAL: guarda/ad aver perso i libri / io ho perso dimolto // l' era tutta + le [/] le novelle della nonna + *CAR: mh // *PAL: / l' <erano>// *GIU:[<] <eh> / quelle erano belle // *PAL: ma / l' erano belle proprio / eh // le dètti all' Elda // la venne l' Elda // la mi disse / mi dai &de [///]le novelle della nonna / dice // e &di [/] e dicano le son tanto belle // %com: she' s laughing • Interrupzione • Retracting • Sovrapposizione • Frammento • Linea dipendente

  17. Allineamento testo suono Unità di allineamento: L’enunciato Il corpus come una Base di dati di enunciati TOOL: WinPitch Corpus, di Ph. Martin Il file multimediale per lo sfruttamento simultaneo dell’informazione acustica e testuale

  18. Un esempio di audio e testo allineati WinPitchCorpus(P. Martin)

  19. Un esempio di audio e testo allineati WinPitch Corpus (P. Martin)

  20. Misure 1 MLTw: Lunghezza media del Turno dialogico in parole 2 MLU: Lunghezza media dell’enunciato in parole 3 MLTone: Lunghezza media dell’unità tonale in parole 4 MLTu: Lunghezza media del turno dialogico in enunciati • 5MLUtone: Lunghezza media dell’enunciato in unità tonali • 6 MLTtone:Lunghezza media del Turno dialogico in unità tonali • 7Speed w: Numero di parole al secondo • 8Speed u: numero di parole al minuto • FFE: Frequenza della frammentazione (sul totale degli enunciati) • FIE: Frequenza delle interruzioni (sul totale degli enunciati)

  21. Ricerche future sul Corpus Stammerjohann • Lemmatizzazione e tagging morfosintattico • Lessico di frequenza • Studi sintattici di superficie: (enunciati verbali e non verbali, principali indici di coordinazione, subordinazione, focalizzazione negativa) • Studi diacronici: Modificazione del lessico di base toscano

  22. Possibilità attuali per la pubblicazione dei risultati della ricerca FIRB in : a) Pubblicazione on demand in DVD + Volume (Firenze University Press) b) Pubblicazione Volume + DVD (Collana degli Studi Linguistici del Dipartimento di Italianistica)

  23. Tabella corpus (Informale)

  24. Tabella corpus (Formale)

  25. Stammerjohann - C-ORAL-ROM: misure a confronto

More Related