Modifica di Linguistica computazionale (sezione)

== Dati della lingua == 
Nella linguistica computazione, i dati della lingua rappresentano l'elemento centrale da analizzare e manipolare. È compito del linguista computazionale avere la capacità di selezionare e raccogliere i dati linguistici, saperli analizzare attraverso dei metodi formali e avere una buona padronanza di tecniche informatiche per condurre in modo autonomo le proprie analisi. <ref> Lenci, Montemagni, Pirrelli, ''Testo e computer'', p. 23. </ref>
=== Dato linguistico: parole, frasi, enunciati === 
Per '''dato linguistico''' si intende il prodotto del linguaggio che è oggetto del processo di analisi della linguistica computazionale. I dati linguistici possono assumere forme diverse ed essere utilizzati per finalità differenti: 
*''Le parole'' vengono utilizzate come unità per le analisi morfologiche (dove è richiesto di identificare suffissi, prefissi o radici) oppure per rappresentare il contenuto semantico di un testo.
*''Le frasi'' vengono utilizzate per identificare la struttura sintattica e quindi le relazioni grammaticali che intercorrono tra le parole che le compongono. 
*''Gli enunciati'' vengono studiati per riconoscerne la funzione comunicativa.  
Uno dei principali problemi del linguista è quello di individuare le fonti da analizzare: il primo tipo di fonti sono i testi dei parlanti di una lingua, intesi come qualsiasi prodotto dell'attività linguistica dei parlanti elaborato o trascritto come sequenza di caratteri, il secondo tipo sono i parlanti stessi.
I dati linguistici possono essere ecologici oppure controllati. I dati controllati sono ricavati dallo studio di un particolare fenomeno; sostanzialmente, il linguista somministra test preparati ad hoc a un gruppo selezionato di parlanti, e le risposte dei parlanti costituiscono i dati oggetto dell'indagine. I dati ecologici, invece, sono quelli estratti da testi osservati nel loro ambiente naturale, e dunque conservano tutta la loro naturalezza.
Le '''parole''' sono le unità di base del testo su cui si lavora in linguistica, e sono spesso trattate come token. Le '''frasi''' sono una sequenza di parole che esprime un’idea completa e grammaticalmente corretta. Nella LC, l’analisi delle parole è cruciale per la creazione di alberi sintattici che rappresentano la struttura grammaticale della frase. Gli '''enunciati''' sono unità di significato che vanno oltre le singole frasi e possono comprendere interi discorsi o conversazioni. <ref> Lenci, Montemagni, Pirrelli, ''Testo e computer'', p. 24. </ref>
=== Corpora: specialistici e di addestramento === 
I corpora testuali sono collezioni di testi e svolgono un ruolo cruciale nella linguistica computazionale. Sono selezionati e organizzati in maniera da soddisfare dei criteri che li rendono funzionali per le analisi linguistiche e la loro creazione è il risultato di un'opera di selezione, che richiede di valutare se il loro contenuto e la loro organizzazione sono adeguati per gli scopi di ricerca. In altre parole, bisogna determinare se il corpus preso in analisi è in grado di fornire il tipo e la quantità di informazioni necessarie per l'analisi. I tipi di corpora vengono definiti sulla base di diversi parametri <ref> Lenci, Montemagni, Pirrelli, ''Testo e computer'', p. 27-34. </ref>:

* '''Generalità''': misura la trasversalità nella scelta dei testi rispetto alle diverse varietà linguistiche. 
* ''' Modalità''': distingue i corpora in base alla modalità di produzione dei testi. Questo parametro suddivide i corpora in:
**corpora di lingua scritta: composti di testi che nascono in forma scritta, 
**corpora di lingua parlata: composti di testi che vengono prodotti in modalità orale e successivamente trascritti
**corpora misti: composti sia di testi nati in forma scritta sia di testi prodotti in modalità orale.
* '''Cronologia''': indica l'asse temporale a cui appartengono i testi, distinguendo corpora sincronici (appartenenti a una stessa finestra temporale) o diacronici (appartenenti a periodi diversi con lo scopo di monitorare il mutamento linguistico).
* '''Lingua''': classifica i corpora monolingue, bilingue o paralleli, in base alle lingue coinvolte.
* '''Integrità''': specifica la porzione di testi che viene usata, in quanto i corpora possono contenere testi interi oppure porzioni di testi di una lunghezza definita. 
* '''Codifica''': descrive il formato in cui i testi sono rappresentati digitalmente.
Una distinzione importante da considerare, dal punto di vista applicativo dei corpora, è quella tra:
*'''Corpora specialistici''': utilizzati per approfondire la comprensione delle peculiarità linguistiche di determinati settori. Questi corpora sono composti da testi  mirati che si concentrano su ambiti linguistici specifici, come il linguaggio medico, giuridico o tecnico.  
*'''Corpora di addestramento''': utilizzati principalmente per addestrare modelli di machine learning o di linguistica computazionale. Consentono ai modelli di apprendere e generalizzare dai dati per compiti specifici come il riconoscimento del linguaggio, la traduzione automatica o la classificazione dei testi.