Abstract
La presente relazione illustra i primi risultati di un’analisi computazionale dell’azionalità del verbo italiano, seguendo l’ipotesi (presentata per l’inglese americano da Siegel e McKeown (2000)) che specifici indicatori contestuali presenti in una frase possano fornire delle informazioni rilevanti sulla categoria azionale del verbo della frase stessa. Un modello computazionale della classificazione azionale può rivelarsi particolarmente interessante per il trattamento di fenomeni come le opposizioni infralessicali e la commutazione azionale. Il modello di classificazione azionale adottato è quello introdotto da Zeno Vendler, con particolare attenzione anche all’elaborazione teorica alle problematiche specifiche del verbo italiano presentate da Pier Marco Bertinetto. Il modello sperimentale adottato è l’apprendimento automatico supervisionato detto Maximum Entropy (principio della massimizzazione dell’entropia - Berger et al. 1996). L’uso dell’apprendimento automatico può essere un modo innovativo di modellizzare il problema della classificazione azionale, ma può anche fornire consistenza sperimentale alle correlazioni teoriche tra marche contestuali e categorie azionali: la rilevanza delle diverse marche contestuali è valutata in base ai risultati ottenuti dall’agente in grado di apprendere, che, dopo una prima fase di addestramento, deve decidere circa la categoria azionale di una determinata forma verbale. Un analizzatore di questo tipo sfrutta soltanto elementi presenti nel contesto, senza l’ausilio di informazioni semantiche interne al verbo stesso, nè conoscenze afferenti al dominio della pragmatica, che spesso nell’uomo hanno un ruolo rilevante.
Alessandra Zarcone
Professor of Language Technologies and Cognitive Assistants
Computational linguist with a background in NLP and in psycholinguistics, working on AI, NLP and human-machine interaction.