Corpora dell'italiano scritto

CORIS/CODIS online
corpus di Italiano Scritto contemporaneo ricco di circa 100 milioni di parole. Elaborato e prodotto dal Centro Interfacoltà di Linguistica Teorica e Applicata (CILTA) "Luigi Heilmann" dell'Universita' di Bologna, prevede una licenza per l'accesso alla versione completa. E' invece disponibile gratuitamente online una versione demo limitata ad un corpus di circa 150.000 parole

Corpus e Lessico di Frequenza dell'Italiano Scritto (CoLFIS)
il corpus di riferimento è costituito da testi tratti da quotidiani del periodo 1992 - 1994 (La Repubblica, La Stampa, Il Corriere della Sera), periodici e libri, considerando anche i libri letti per motivi scolastici o professionali. Consta di 3.150.075 ricorrenze lessicali. Al progetto partecipano i seguenti soggetti: Scuola Normale Superiore (Pisa), Istituto di Scienze e Tecnologie della Cognizione del CNR (Roma), Università di Salerno, Istituto di Linguistica Computazionale, Unità Staccata di Genova del CNR, Università de L'Aquila.
Pagina di presentazione del progetto ospitata sul sito del Laboratorio di Linguistica della Scuola Normale Sup. di Pisa.
Strumenti online disponibili: corpus non lemmatizzato; corpus lemmatizzato; lessico di frequenza.

Dizionario italiano multimediale e multilingue d'Ortografia e di Pronunzia della RAI (DOP)
versione online del vocabolario redatto a partire dal 1959 da Bruno Migliorini, Carlo Tagliavini e Piero Fiorelli (riv., agg. e accr. da P. Fiorelli e T. F. Borri) per la sede fiorentina della Radio Televisione Italiana, ora disponibile in versione multimediale. Il corpus, ricco di oltre 92.000 voci di lessico della lingua italiana e oltre 37.000 di una sessantina di lingue diverse, presenta anche la registrazione fonetica delle voci.

Tesoro della lingua italiana delle origini (TLIO)
versione online del noto vocabolario storico dell'italiano curato dall' Opera del Vocabolario Italiano (OVI), istituto del Consiglio Nazionale delle Ricerche con sede presso l'Accademia della Crusca di Firenze. La versione online, ricca di oltre 12000 voci, si basa sul corpus testuale dell'italiano antico dell'OVI. Questa banca dati testuale offre efficaci strumenti di ricerca, compresa un'interfaccia per il reperimento di voci/forme/redattori/definizioni presenti nel corpus, un database contenente i dati bibliografici degli autori citati, la bibliografia citata nelle voci, ecc.

Corpora dell'italiano parlato

API (Archivio del Parlato Italiano)
progetto coordinato dal prof. Federico Albano Leoni (CIRASS - Napoli) cui hanno partecipato la Scuola Normale Sup. di Pisa, il CIRASS e il Dip. di Neuroscienze dell’Univ. “Federico II” di Napoli, l’Istituto Univ. Orientale di Napoli, il Politecnico di Bari, l’Univ. del Piemonte Orientale, l’Univ. “Ca’ Foscari” di Venezia e l’Univ. di Pisa.
Il corpus, raccolto in tre città italiane (Napoli, Bari, Pisa), consiste essenzialmente di dialoghi map task e comprende anche un campione di parlato infantile di bambini sordi e normoudenti. L’interfaccia di ricerca sul corpus è disponibile sul sito Parlaritaliano.it.

AVIP-API
progetto coordinato dal prof. Pier Marco Bertinetto (Scuola Normale Sup. - Pisa) cui hanno partecipato la Scuola Normale Sup. di Pisa, il CIRASS e il Dip. di Neuroscienze dell’Univ. “Federico II” di Napoli, l’Istituto Univ. Orientale di Napoli e il Politecnico di Bari. Sostanzialmente contiene lo stesso corpus del progetto API, che ne amplia lo spettro d’indagine, il campione e gli enti partecipanti.

CLIPS (Corpora e Lessici di Italiano Parlato e Scritto)
ampio progetto coordinato dal prof. Federico Albano Leoni (CIRASS - Napoli) cui hanno partecipato l’ Univ. “Federico II” di Napoli, la Scuola Normale Sup. di Pisa, la Fondazione Bordoni di Roma, e l’ Ist. Sup. Poste e Telecomunicazioni, ora ISCOM. Autori ne sono i proff. F. A. Leoni, F. Cutugno e R Savy.
Pubblicato nel 2006, contiene circa 100 ore di italiano parlato di varie tipologie suddiviso in 5 sottocorpora (radiotelevisivo, dialogico, letto, ortofonico, telefonico). Attraverso un'indagine sociolinguistica preliminare sul territorio italiano, sono state selezionate 15 città dove sono stati raccolti i materiali per la costituzione del corpus.
Accesso diretto al corpus.

LIP (Lessico di frequenza dell'Italiano Parlato)
il corpus LIP, ospitato sul sito della Banca Dati dell'Italiano Parlato (BaDIP), è la raccolta di testi dell'italiano parlato più importante e più utilizzata nella ricerca linguistica. Costituito nel 1990-1992 da un gruppo di linguisti diretto da Tullio De Mauro, serví per costruire il primo lessico di frequenza dell' italiano parlato. I suoi 469 testi, contenenti complessivamente ca. 490.000 parole, furono raccolti in quattro città (Milano, Firenze, Roma e Napoli) e provengono da cinque macroclassi e numerose sottoclassi di discorso.
Accesso diretto all'interfaccia di ricerca dei lemmi.

Corpora dell'italiano settoriale

Corpus di Italiano Televisivo (CIT)
raccolta di testi trascritti in formato elettronico da trasmissioni televisive, mirata all'analisi delle caratteristiche lessicali e grammaticali dell'italiano trasmesso in televisione. Il progetto ha sede presso il Dipartimento di Scienze del Linguaggio dell'Università per Stranieri di Perugia ha avuto inizio nell'agosto 1998.

Lessico di frequenza dell'Italiano Radiofonico (LIR)
progetto finalizzato alla realizzazione di Lessici di frequenza dell'italiano radiofonico (LIR), coordinato da Nicoletta Maraschio e Stefania Stefanelli presso il Centro di Studi di Grammatica Italiana dell'Accademia della Crusca.
Il progetto prevede che l'intero corpus, trascritto e "in voce" (circa 50 ore di parlato corrispondenti a circa 500.000 occorrenze lessicali), sia allegato al vocabolario su CD-ROM.
Nessuno strumento online e' al momento disponibile.

LinguaGiovani
progetto sul Linguaggio giovanile a cura del Dip.to di Romanistica dell'Univ. degli Studi di Padova e coordinato dal Prof. M. Cortelazzo. Il progetto, che si pone l'obiettivo di coordinare le ricerche sul tema e di raccogliere materiali editi ed inediti, prevede anche la creazione di un dizionario online di termini tratti dal linguaggio giovanile acquisti tramite segnalazioni spontanee online.

Repertori di corpora italiani

Parlaritialiano. Corpora
repertorio di corpora dell’italiano parlato ospitato dall’Università di Salerno. Le schede descrivono le caratteristiche e le aree tematiche dei progetti di indagine e forniscono l’accesso diretto ai corpora.

Repertorio delle Banche Dati dell'Italiano Parlato
censimento dei corpora più importanti dell'italiano parlato che sono stati raccolti e pubblicati dal 1965 in poi. Il repertorio e' ospitato su un sito gratuito dedicato alla pubblicazione di corpora e altri materiali per l'analisi e lo studio dell'italiano parlato che fa parte del Language Server della Karl-Franzens-Universität Graz (Austria).

Corpora di altre lingue

African Language Lexicon Project
(ALLEX)
il progetto, nato nel 1992 grazie ad una collaborazione tra Università dello Zimbabwe, Gothenburg, Oslo e del Norwegian Documentation Project e facente capo alla Text Encoding Initiative, mette a disposizione corpora delle lingue (parlate e scritte) Ndebele e Shona e relativi dizionari.

BYU Corpus of American English
si dichiara come il più ricco corpus dell'inglese americano libramente disponibile sulla rete. Contiene oltre 360 milioni di parole, con 20 milioni di parole incrementate annualmente negli anni 1990-2007, raccolte dalla lingua parlata, dalla fiction, da riviste, quotidiani e testi accademici ed è sottoposto ad almeno due aggiornamenti all'anno.

Corpus Linguistics
indice di corpora di oltre 20 tra le principali lingue curato dal linguista Michael Barlow.

Gateway to corpus linguistics on the WEB
portale sui corpora curato dalla linguista australiana Yvonne Breyer della Macquarie Unuiversity (Sidney): bibliografie, materiali, strumenti di rete, software per la costruzione di corpora, ecc.
Ampia lista di corpora di oltre 60 lingue: acceddi alla lista alfabetica.

Linguistic data consortium corpora catalogue
catalogo di corpora di centinaia di lingue curato dal Linguistic Data Consortium (LDC)
Dispone di raffinati strumenti di ricerca (per tipo e fonte ; per anno di produzione, etc.)

Intratext
questo sito, eccellente base di partenza per la costruzione di corpora testuali, propone moltissimi materiali, prevalentemente di libero accesso. I testi sono sovente etichettati e glossati e talvolta dispone anche di indici alfabetici, inversi e di frequenza

Thesaurus Indogermanischer Text- und Sprachmaterialen (TITUS)
sito bilingue (tedesco-inglese) di riferimento che ospita i corpora di una cinquantina di lingue indoeurope e relative varianti. E' un progetto curato dal Dipartimento di L. comparativa dell'Universita' di Francoforte. I database linguistici possono essere consultati utilizzando varie modalita' di ricerca:
ricerca generica
ricerca per termini esatti (consente di selezionare la lingua e relative varianti)
ricerca "sui database" (idem c.s. ma fornice anche la possibilita' di estendere o meno la ricerca anche alle varianti grafiche e grammaticali del termine immesso)

WebCONC
database di concordanze rilevate sull'intera rete Internet analizzata come un unico corpus ; progetto curato da Matthias Huning del Dip.to di Filologia Nederlandese della Libera Univ. di Berlino

Enti

American National Corpus
Centre for English Corpus Linguistics presso la Université catholique de Louvain (Belgium)

ultimo aggiornamento di questa pagina 2009-10-12