L ANALISI AUTOMATIZZATA dei DATI TESTUALI: IL SOFTWARE ALCESTE

Transcript

1 AIP Seminario residenziale Psicologia del discorso e analisi dei discorsi L ANALISI AUTOMATIZZATA dei DATI TESTUALI: IL SOFTWARE ALCESTE Silvia Gattino e Stefano Tartaglia Dipartimento di Psicologia Università degli Studi di Torino Vico Equense, agosto 2012

2 PREMESSA Linguaggio: strumento di comunicazione (Sperber, Wilson, 1986) strumento di classificazione (Vygotskij, 1934; Bruner, 1990; Smorti, 2003) Nel linguaggio è possibile recuperare le tracce delle modalità con cui i soggetti esplicitano, attraverso il discorso, un attività pragmatica e narrativa, che categorizza e organizza storie Linguaggio: attività categorizzante e organizzatrice di storie

3 ALCESTE: IPOTESI GUIDA Analyse Lexicale par Contexte d un Ensemble de Segments detexte: software di analisi statistica del contenuto di testi (analisi testuale) [Reinert, 1986] Assunto distribuzionale: il ricorrere costante di determinate parole o gruppi di parole all interno degli stessi contesti discorsivi NON può essere considerato solamente un fatto causale 3

4 ALCESTE: IPOTESI GUIDA Chi parla investe, nel corso della sua esposizione, una serie di luoghi mentali in sequenza che rendono conto dello specifico lessico 4

5 I MONDI LESSICALI Espressioni osservabili dei luoghi di pensiero, degli spazi mentali su cui il locutore si sofferma per parlare di un certo argomento (Reinert, 1998) Repertori lessicali a cui i locutori attingono, più o meno consapevolmente, nel discutere di un particolare argomento Alceste individua le stanze mentali, mondi lessicali o sistemi di riferimento dell individuo 5

6 I MONDI LESSICALI Dimensioni sottostanti al discorso del locutore, quindi non direttamente osservabili Ciò che è osservabile sono le tracce lessicali di questi luoghi di pensiero investiti dal soggetto per costruire il suo punto di vista 6

7 I MONDI LESSICALI Mondi lessicali: condivisi dal locutore e dalla sua comunità linguistica, fanno parte delle conoscenze implicite di tutti i soggetti coinvolti nel processo comunicativo Tra i luoghi di pensiero percorsi durante l enunciazione, alcuni sono più abituali di altri, tornano con maggiore insistenza lasciando tracce più ricche di significati nel lessico utilizzato perché più spesso ripetute 7

8 I MONDI LESSICALI Queste ripetizioni costituiscono il vocabolario specifico delle classi, ossia i mondi lessicali attorno a cui si organizza il discorso del soggetto 8

9 ALCESTE: strumento qualitativo o quantitativo? Alceste: concorre a connettere approcci metodologici quantitativi e qualitativi Partendo da una base dati qualitativa (parole) attua serie di analisi numeriche e statistiche il cui obiettivo è favorire la comprensione del contenuto e dell organizzazione interna del testo STRUMENTO di STATISTICA TESTUALE 9

10 ALCESTE: OBIETTIVI Analizzare struttura interna di un corpus testuale, attraverso la distribuzione delle parole nelle diverse parti del testo Analizza l associazione tra parole, studia la struttura formale delle co-occorrenze* delle parole all interno di un corpus testuale * Presenze concomitanti di più parole in un testo (Bolasco, 1997) 10

11 ALCESTE: OBIETTIVI Analizza le co-occorrenze tra le forme semplici nelle diverse unità di contesto di un corpus testuale Approccio distribuzionale all analisi testuale calcolo della presenza e dell assenza di singole parole nelle diverse parti del testo Analisi statistica delle distribuzioni del vocabolario all interno di un determinato corpus di analisi alla ricerca dei mondi lessicali 11

12 ALCESTE: OBIETTIVI Analisi della struttura interna di un corpus scaturisce dalla distribuzione delle parole scelte dai locutori per parlare di un certo argomento: non è determinata da griglie post-codifica decise dal ricercatore 12

13 ALCESTE: OBIETTIVI Non importa quali relazioni sintattiche intercorrono tra le parole che compongono un mondo lessicale Ciò che conta è l aspetto strutturale dell organizzazione del discorso: il fatto che una stessa serie di parole si ripeta in molti enunciati indica un luogo sottostante comune e univoco, in grado di organizzare il discorso manifesto 13

14 OBIETTIVO della SUDDIVISIONE del TESTO in CLASSI: Separare i diversi mondi lessicali tra loro, isolando il vocabolario specifico di ciascuno di essi 14

15 COSA SI ANALIZZA CON ALCESTE Qualsiasi testo scritto: interviste strutturate/semistrutt./biografiche focus group (corpo unico/singoli interventi) storie di vita protocolli di osservazioni cartelle cliniche biografie discorsi politici domande aperte nei questionari campi aperti di questionari (commenti finali) singole frasi (associate a uno stimolo) singole parole (associate a uno stimolo) articoli di giornale testi tratti da libri, da riviste, etc... 15

16 CONCETTI OPERATIVI di BASE Corpus testuale: oggetto di analisi file di testo, può essere costituito da un unico scritto o da un insieme di testi UCI: Unità di Contesto Iniziali. Singoli testi che formano il corpus UCE: Unità di Contesto Elementare. Unità statistica di base per il software: la più piccola unità statistica definibile da Alceste Enunciati elementari che si trovano all interno delle UCI e che Alceste estrae dal corpus utilizzando come criteri la punteggiatura e il numero di parole: alla base di tutte le analisi statistiche N.B.: nelle associazioni di parole UCE e UCI coincidono 16

17 CONCETTI OPERATIVI di BASE Grazie al dizionario interno Alceste distingue tra: Parole piene (mots pleins): vocabolario vero e proprio. Sostantivi, verbi, aggettivi, avverbi Parole strumentali (mots outils): verbi ausiliari, preposizioni, congiunzioni 17

18 ALTRI TERMINI Segmenti ripetuti: parole che più spesso compaiono nella stessa sequenza all interno del corpus (Es.: presidente del consiglio; capo di stato) Variabili illustrative (mots étoilées): informazioni supplementari a specificazione del corpus testuale considerato (Es.: genere, collocazione politica, titolo di studio ) 18

19 L ANALISI con ALCESTE 1 STEP Pre-analisi 2 STEP Analisi 3 STEP Post-analisi 19

20 STEP 1: PRE-ANALISI (eseguite dal ricercatore) 1a. Scelta del corpus da sottoporre ad analisi 1b. Preparazione del corpus per l analisi: - normalizzazione del corpus - disambiguazione e lemmatizzazione - distinzione del corpus in UCI e scelta delle variabili illustrative - supporto alla suddivisione delle UCI in UCE - distinzione tra parole piene e parole vuote 1c. Conversione del corpus in un file di testo (.txt) con interruzione di linea 20

21 STEP 1 Normalizzazione: ripulire testo da simboli, notazioni di trascrizione, errori di battitura. Es.: togliere parentesi tonde e quadre togliere virgolette togliere asterischi togliere vocali ripetute togliere domande intervistatore o scriverle in maiuscolo elementi paralinguistici (sorride/sospira/tono polemico ) in maiuscolo sostituire pause brevi e/o lunghe con la parola PAUSA eliminare numerazione turni di parola e tabulazione trascrivere numeri in cifra 21

22 STEP 1 Disambiguazione per distinguere: a) parole uguali con significati diversi. Introdurre varianti su parole che scritte nello stesso modo rimandano a significati diversi (es: per distinguere aspetto voce del verbo aspettare da aspetto sostantivo si può convertire la seconda connotazione della parola in aaspetto N.B.: cambiamenti a inizio parola); b) parole diverse che rimandano a uno stesso significato (es.: soldi e denaro. Decidere di disambiguare in base agli obiettivi di ricerca [CONSIGLIO: libro codice delle parole disambiguate] 22

23 STEP 1 Lemmatizzazione: per accorpare termini che costituiscono invarianti semantici Es.: presidente del consiglio = presidentedelconsiglio oppure presidente_del_consiglio. Primo lavoro di lemmatizzazione eseguito dal programma riunisce parole con stessa radice (plurali/singolari, femminili/maschili, coniugazioni di verbi...) Lemmatizzazione definisce una serie di forme distinte, ossia unità di analisi minima Limitarsi a lemmatizzare formule distinte che effettivamente sono necessarie per l analisi [CONSIGLIO: lemmatizzare dopo aver lanciato Alceste una prima volta] 23

24 STEP 1 Distinzione del corpus in u.c.i.: ad esempio le singole interviste (10 interviste = 10 UCI) a cui si associano anche variabili illustrative precedute da asterisco (*), in base all interesse del ricercatore Supporto alla suddivisione delle UCI in UCE: corpus, prima di essere sottoposto ad analisi, è distinto in enunciati definiti in funzione sia della punteggiatura (e degli a capo ), sia del numero di parole. [Singoli enunciati possono essere distinti anche con il simbolo $, forma prioritaria rispetto ad altri simboli di punteggiatura] Distinzione tra parole piene e parole vuote: parole maiuscole considerate parole vuote (es.: PAUSA, domande dell intervistatore...) 24

25 STEP 2: ANALISI (eseguite dal programma) 2a. Definizione delle tabelle di dati unità di contesto x vocabolario 2b. Ricerca delle classi di contesto caratteristiche 25

26 STEP 2 2a. Definizione delle tab. di dati unità di contesto x vocabolario definizione unità di contesto (u.c.) [UCI = UCE + UCE + UCE + ] raggruppamento delle parole nel testo in forme distinte dopo la lemmatizzazione. Le forme distinte possono essere forme piene e forme vuote (o supplementari) calcolo delle tabelle di dati ELENCO di UCE in cui è DIVISO L UCI Forme piene Forma piena Forma piena Forma piena Forma piena UCE UCE UCE UCE Forma piena 26

27 STEP 2 2b. Ricerca delle classi di contesto caratteristiche metodo di classificazione: classificazione gerarchica discendente che tratta le tabelle logiche (codifica 0 e 1 ), in base a un criterio ripetitivo. Enunciati che compongono il corpus suddivisi in classi sempre più piccole e sempre più omogenee al loro interno scelta delle classi da considerare: la classificazione consente di ottenere una gerarchia di classi annidiate l una nell altra albero di classificazione Classe 1 Classe 2 Classe 3 Classe 4 27

28 STEP 2 2b. Ricerca delle classi di contesto caratteristiche calcolo del Χ 2 per ciascuna forma: parole piene, parole vuote, parole in maiuscolo, parole illustrative A ogni classe associate le parole presenti in maniera più significativa, ordinate in funzione del Χ² (a 1 gdl) calcolato sulla tabella di contingenza che incrocia la presenza o l assenza della parole in un UCE con l appartenenza o meno di questo UCE alla classe considerata 28

29 STEP 3: POST-ANALISI (eseguite dal ricercatore) 3a. Interpretazione risultati: interpretazione e descrizione dell output 3b. Stesura report di ricerca o articolo scientifico 29

30 STEP 3 3a. Interpretazione dei risultati: interpretazione e descrizione dell output Interpretare il cluster in base alle parole presenti nel cluster stesso e in funzione degli u.c.e. per cluster: parole e u.c.e. con Χ² più elevato costituiscono i marker del cluster descrizione e interpretazione dei diversi mondi lessicali del corpus e quindi i singoli cluster: nome attribuito al cluster è in funzione delle parole che rientrano nel cluster stesso. Ogni cluster sarà associato anche alle variabili illustrative (variabili indipendenti) 30

31 COSA DICONO gli OUTPUT PRIMI RISULTATI: quadro di insieme del corpus a) Informazioni sulla dimensione del corpus: - occorrenze totali (parole che compaiono nel testo) - forme diverse - frequenze minime e massime - hapax (parole che compaiono una sola volta nel testo) b) Informazioni su ciò che Alceste ha analizzato - numero di parole analizzate (forme con freq. > 3): quanta parte del testo è trattata nell analisi. Soglia minima di accettabilità dei risultati, copertura del testo intorno al 30% - numero di U.C.I. riconosciuti - numero di U.C.E. analizzati 31

32 COSA DICONO gli OUTPUT LETTURA del DENDROGRAMMA Mostra graficamente il percorso di analisi attraverso cui il corpus è stato suddiviso fino a raggiungere le classi finali - ramificazioni rappresentano suddivisione del corpus - dipanarsi delle ramificazioni: quanto e come le classi sono tra loro connesse. Più le scomposizioni si verificano verso la fine dell analisi, più elevata è la somiglianza di contenuto fra le classi 32

33 COSA DICONO gli OUTPUT LETTURA del DENDROGRAMMA Permette di ricavare l organizzazione delle classi ottenute in termini di affinità di contenuto N.B.: ipotesi formulate attraverso l osservazione del dendrogramma vanno verificate attraverso lettura e interpretazione del vocabolario specifico delle classi 33

34 BIBLIOGRAFIA Cipriani R., Bolasco S. (a cura di) (1995). Ricerca qualitativa e computer. Teorie, metodi e applicazioni, Milano, Angeli Dalud-Vincent M. (2010). Les choix du sociologue avec Alceste. Du paramétrage des unités de contexte aux résultats obtenus. Bulletin de Méthodologie Sociologique, 107, pp Gattino S., Gonella R. & Tartaglia S. (2006). Governo e Opposizione a giudizio: un analisi lessicale dei difetti attribuiti alle due coalizioni. Polena, 3, Gattino S., Tartaglia S. (2006). I programmi politici delle elezioni 2006: un analisi lessicale. Polena, 2, Gattino S., Tartaglia S. (2008). Elezioni politiche 2006 e 2008: programmi a confronto. Polena, 1, Lancia F. (2004). Strumenti per l analisi dei testi. Introduzione all uso di T-LAB, Franco Angeli, Milano. Matteucci, M.C., Tomasetto C. (2002). Alceste: un software per l analisi dei dati testuali. In B. Mazzara (a cura di), Metodi qualitativi in psicologia sociale. Roma: Carocci. Reinert M. (1986). Un logiciel d analyse textuelle: ALCESTE. In Cahiers de l Analyse des Données, 3. Reinert M. (1990). Alceste une méthodologie d analyse des données textuelles et une application: Aurelia de Gerard De Nerval. Bullettin de Méthodologie Sociologique, 26, Reinert M. (1993). Les mondes lexicaux et leur logique à travers l analyse statistique d un corpus de récits de cauchemars, Langage et Société, 66. Reinert M. (1995). I mondi lessicali di un corpus di 304 racconti di incubi attraverso il metodo «Alceste». In R. Cipriani, S. Bolasco (a cura di), Ricerca qualitativa e computer, Angeli, Milano. Reinert M. (1998). Mondes lexicaux et topoi dans l approche Alceste. In S. Mellet, M.Vuillaume (eds.), Mots chiffrés et déchiffrés, Honoré Champion Editeur, Paris.

35 BIBLIOGRAFIA Reinert M. (2001). Alceste, une méthode statistique et sémiotique d analyse de discours; application aux Rêveries du promeneur solitaire. Papier présenté au XIIème colloque de Psychiatrie de Marseille, Mai Ricolfi L. (a cura di) (1999). La ricerca qualitativa. Carocci, Roma. Tartaglia S., Gonella R., Rollero C. (2006). Analisi di un corpus di titoli di giornale: un confronto tra strategie. Atti 8 Journées Internationales d Analyse statistique de Données Textuelles (JADT). Tomasetto C., Selleri P. (2004). Lessico dell intervista e lessico degli intervistati: l articolazione tra domande e risposte nell analisi di Alceste. Atti 7 Journées Internationales d Analyse statistique de Données Textuelles (JADT). Tomasetto C., Selleri P. (2006). Molto rumore per nulla? Gli effetti della lemmatizzazione sull analisi di un corpus di interviste con Alceste. Atti 8 Journées Internationales d Analyse statistique de Données Textuelles (JADT).