informatica di base per le discipline umanistiche

Transcript

1 informatica di base per le discipline umanistiche vito pirrelli Istituto di Linguistica Computazionale CNR Pisa Dipartimento di linguistica Università di Pavia

2 sesta lezione: la dinamica del testo vito pirrelli Istituto di Linguistica Computazionale CNR Pisa Dipartimento di linguistica Università di Pavia

3 come cresce il lessico di un testo? il lessico di un testo cresce quando introduciamo nel testo una parola mai usata prima intuitivamente la crescita di un lessico è rapida all inizio, in quanto ogni parola che usiamo ha la tendenza ad essere nuova (raramente ci sono ripetizioni nella stessa frase) aumentando il numero di frasi, tuttavia, aumenta la probabilità di riusare parole già usate il ritmo di crescita del lessico di un testo tende quindi a diminuire all aumentare del numero di frasi...

4 come cresce il lessico di un testo (prime 1000 parole) (torna indietro ) coefficiente angolare intercetta coefficiente angolare (continua )

5 come cresce il lessico di un testo (prime 1000 parole, interpolazione a potenza) (torna indietro ) (fine excursus) (fine excursus)

6 come cresce il lessico di un testo? (II) esistono classi di parole che è praticamente impossibile non ripetere all interno di un testo anche molto breve queste classi sono formate dalle cosiddette parole grammaticali (articoli, preposizioni, ausiliari ecc.), che costituiscono l impalcatura morfosintattica di una frase queste classi sono, tipicamente, relativamente ristrette (contengono pochi elementi) e chiuse, cioè non sono soggette ad espandersi attraverso processi produttivi del lessico come la derivazione o la composizione (per saperne di più clicca sulle parole evidenziate!)

7 come cresce il lessico di un testo? (III) un altro fattore evidente che ritarda la crescita esponenziale del lessico all interno dello stesso testo è la coerenza lessicale : la necessità, cioè,di ripetere concetti che sono legati al dominio o alla situazione specifica di cui parla il testo

8 la frequenza media la frequenza media di una parola nel testo è data dal rapporto tra la lunghezza del testo e la grandezza del suo lessico: C / V all inizio ogni parola è usata in media poco più di una sola volta (freq media 1) non appena ripetiamo una stessa parola, tuttavia, la freq media cresce (freq media > 1) in generale freq media tende a crescere per due ragioni: le parole grammaticali si ripetono, andando ad aggiungersi a C ma lasciando V invariato; il vocabolario a sua volta, come abbiamo visto, rallenta il suo ritmo di crescita col passare del testo

9 come cresce freq media? il ritmo di crescita di freq media tende a rallentare col passare del testo perché? la frequenza cresce linearmente al crescere del testo se il peso del lessico fosse costante, la crescita di freq media resterebbe lineare, ma avrebbe un ritmo inferiore (la retta che descrive questo andamento sarebbe più inclinata verso l asse delle x) se il peso del lessico aumentasse in modo lineare, freq media sarebbe costante dal momento che il lessico cresce in modo non lineare (con una potenza di poco inferiore all unità) solo una crescita di frequenza non lineare (con esponente di poco inferiore a 2) potrebbe consentire a freq media di crescere linearmente

10 (torna indietro ) crescita di freq media in un testo di parole

11 (torna indietro ) curve di crescita del lessico (continua )

12 (torna indietro ) crescita di freq media (fine excursus)

13 cresce tutto così? no! la lunghezza media di una parola tende a stabilizzarsi col passare del testo, cioè tende ad assumere un valore costante dopo una serie di oscillazioni casuali (legge dei grandi numeri)

14 campionamento casuale analogamente se invece di monitorare lo stesso testo nel tempo, se ne estraggono tanti campioni casuali, e se ne calcola per ciascuno lun media, il valore più volte attestato tenderà a riprodurre lun media di tutto il testo...

15 campionamento casuale (II)... tanto meglio, quanto maggiore è la lunghezza dei campioni:

16 la distribuzione gaussiana 68.27%

17 la legge di Zipf, di 2258 il 1309 e 1297 la 1165 a 914 che 864 e' 847 in 830 per 789 all interno di una porzione un di testo, 693 esiste una correlazione L' 647 del 587 inversa tra le frequenza di una parola e la sua posizione I 585 con 467 relativa (rango) in una lista si di parole 467 che va dalla più le 466 frequente alla meno frequente ha 456 una 449 non 441 della 435 : 400 da 393 al sono 291 dei 262 Piu' 260 dell' 251 ( 241 Ma 239 ) 238 Nel 238 anche 213 gli 213 alla 208 hanno 186 dal 181 anni 173 delle 159 all' 158 come 149 stato 145 Lo 143 f = C r α

18 Zipf (II)

19 il logaritmo

20 la funzione a x (esponenziale)

21 la scala logaritmica

22 Zipf (III) log( f ) = log( C) α log( r) y = x

23 la struttura del lessico (classi di frequenza) chiamiamo V i la classe di parole che appaiono con frequenza i volte ciascuna nel testo allora V = V 1 + V V max, dove max è la frequenza massima con cui una parola appare nel nostro testo

24 sesta lezione la dinamica del testo fine sesta lezione (lezione 7)