Corpus e Sottoinsiemi

Corpus: collezione di uno o più testi selezionati per un lavoro di analisi.

Sottoinsieme: una parte del corpus definita tramite l'uso di variabili e modalità.

T-LAB consente - in modo automatico - di esplorare e di analizzare le relazioni tra le unità di analisi di tutto il corpus o di suoi sottoinsiemi.

Qualche esempio di corpus:

• un singolo testo o documento che tratti un qualunque argomento;

• un insieme di articoli tratti dalla stampa e che affrontano lo stesso argomento;

• una o più interviste realizzate entro un progetto di ricerca;

• uno o più libri dello stesso autore o che affrontano temi simili;

• una mailing-list scaricata da internet;
  

• un insieme di risposte a una "domanda aperta" di un questionario;

• una o più trascrizioni di focus group.
  

Qualche esempio di sottoinsieme:

• nel caso di un corpus costituito da articoli pubblicati in vari anni (es ANNO = variabile usata), tutti gli articoli di un determinato anno (es 2001 = modalità della variabile anno);

• nel caso di risposte a domande aperte, tutte le risposte di una determinata categoria di persone (es FEM = modalità della variabile SESSO);

• nel caso di un corpus suddiviso per aree tematiche (es TEMA = variabile), tutte le parti che si riferiscono allo stesso tema (es SCUOLA = modalità della variabile TEMA).

N.B.: Sottoinsiemi del corpus sono anche i "cluster tematici" di documenti o di contesti elementari ottenuti utilizzando i corrispondenti strumenti T-LAB.

Nel caso di un corpus costituito da più testi, perché questo sia un insieme utilmente analizzabile, si richiede che le sue parti abbiano due caratteristiche che li rendano comparabili:

a) una qualche omogeneità tematica e/o del contesto in cui sono stati prodotti, in modo da ottenere dati tra loro confrontabili;

b) un equilibrato rapporto tra le loro dimensioni, sia in termini di occorrenze sia in termini di Kbytes, per non incorrere in "anomalie" di tipo statistico.

Entro la logica di T-LAB, il corpus è un database organizzato in record e campi. Più precisamente, i record sono costituiti dalle entità archiviate (testi, frammenti di testi, parole) e i campi sono costituiti dalle caratteristiche utilizzate per classificare le varie entità (gli autori dei testi, i contesti di riferimento, i tipi di parole, etc.).

Vedi Preparazione del Corpus