Codifica TEI e specifici oggetti testuali: relazione impossibile o proficua collaborazione? (di Alessia Marini)

Bimestre Novembre-Dicembre 2017 (16 novembre)

All’interno del variegato mondo delle Digital Humanities, accanto ai vari progetti inerenti la fruibilità dei beni culturali e alle iniziative per una migliore inclusione delle tecnologie nelle dinamiche di apprendimento, si inseriscono gli studi riguardanti la conservazione e la divulgazione di quei testi che, per vari motivi, risultano canonici nel nostro retaggio culturale.

Nell’esatto momento in cui venne inventata la scrittura nacque anche la necessità di conservare i testi scritti e le informazioni che essi erano, e sono tuttora, in grado di tramandare. Il testo scritto diventa, quindi, un portatore di conoscenza e di cultura che può essere analizzato sotto diversi punti di vista a seconda di cosa lo studioso vuole indagare.

Ad oggi, con la sempre maggiore ingerenza della tecnologia in ogni ambito della vita sociale e culturale della società, si rende necessario un connubio tra le scienze umane e l’informatica che renda possibile non solo la conservazione dei documenti, ma anche e soprattutto la loro fruibilità in un ambiente ampio e condiviso. Questo non significa necessariamente che le scienze umane subiscano passivamente l’influenza della tecnologia, ma che, al contrario, la sfruttano al meglio per servire più efficacemente la divulgazione. Per queste motivazioni la pagina scritta, che per secoli si è fatta carico di questa missione, adesso risulta insufficiente in termini di capacità di diffusione della fruizione. Da qui deriva la necessità di sviluppare un sistema di codifica che possa rappresentare formalmente un testo ad un qualunque livello descrittivo[1].

Il moderno studioso ha, perciò, a disposizione un vero e proprio linguaggio informatico che gli permette non solo di analizzare il testo nella sua pluralità, ma anche di renderlo idoneo per la diffusione in un ambiente condivisibile. Ciò a cui ci si sta riferendo è la TEI (acronimo per Text EncodingInitiative) che ha come testo fondamentale il lavoro di Burnard e Sperberg-McQueen[2], nel quale vengono espresse sia le peculiarità del linguaggio di marcatura sia le linee guida per il suo corretto utilizzo. In generale la TEI altro non è che uno specifico linguaggio, fatto da marcatori che ne costituiscono gli elementi fondamentali, basato sulle regole gerarchiche dell’XML (eXtensible Markup Language ), che a sua volta necessita di una DTD (DocumentType Definition) e di un foglio di stile XSLT (ExtensibleStylesheet Language) che ne permette la visualizzazione sui browser.

Non è certo questo il luogo per un approfondimento sull’utilizzo e sulle peculiarità del linguaggio di codifica, ma questo discorso serve ad introdurre quello che è l’effettivo argomento di discussione: se un testo può essere codificato con un determinato linguaggio informatico, può quest’ultimo risultare utile ad un qualsivoglia studio specifico? Può, quindi, un solo linguaggio riuscire ad esprimere le diverse necessità delle varie branche degli studi umanistici? Può un unico marcatore, nel nostro caso <interp>, descrivere efficacemente necessità filologiche, lessicali, grammaticali o semantiche?

Il mio percorso di ricerca, finalizzato alla stesura della tesi magistrale, mi ha portato a poter dare una sicura risposta affermativa a questi quesiti.

 

I metodi.

Il punto di partenza è stato la collaborazione curricolare con il progetto DigilibLT o Digital Library of late antique Latin Texts, patrocinato dall’Università del Piemonte Orientale, con sede a Vercelli, e finanziato dalla regione Piemonte. Sotto la direzione della Prof.ssa Tabacco e del Prof. Lana, esso si occupa della creazione di un biblioteca liberamente consultabile, di testi latini tardo antichi: per la digitalizzazione non ci si basa, però, su pergamene o manoscritti, ma sulle edizioni a stampa. Nel nostro caso specifico, lo studio si svolge su due testi, Euporiston, libri III di Theodorus Priscianus e Additamenta Pseudo-Theodori ad Theodorum Priscianum, entrambi contenuti nell’edizione edita da Valentino Rose nel 1894 Euporiston, Libri III. Cumphysicorum fragmento et Additamentis Pseudo-Theodoris[3].

La produzione del testo digitale a partire dall’edizione a stampa, era stata precedentemente eseguita dal gruppo di ricerca del progetto DigilibLT, utilizzando il loro metodo standard. Grazie al BookDrive Pro Atiz[4] vengono acquisite le immagini del testo cartaceo, modificabili grazie al programma di editing, che costituiranno il file .pdf dell’edizione; quest’ultimo viene successivamente inserito in OmniPage, ovvero un programma di riconoscimento caratteri in grado di creare qualsiasi tipo di file utilizzando la tecnologia OCR. Il frutto di questa lavorazione è un file .doc quasi del tutto simile al .pdf precedentemente ottenuto con l’acquisizione delle immagini, ed è su di esso che si basa il vero lavoro.

È importante notare l’uso della parola “quasi”, nella frase precedente: OmniPage, infatti, nonostante sia uno strumento estremamente utile, ha i suoi limiti. Capita spesso di trovare molti errori nel riconoscimento ottico dei caratteri del testo, che devono necessariamente essere individuati da un occhio umano e successivamente corretti. È proprio questa revisione che rappresenta la prima ed essenziale fase del processo di digitalizzazione: è estremamente importante, poiché il testo deve essere restituito corretto e revisionato (vanno apportate le dovute correzioni anche per gli errori di stampa dell’edizione presa come riferimento), altrimenti va a decadere lo scopo primario della digitalizzazione.

Una volta sottoposto ad una doppia rilettura, il testo è pronto per essere copiato ed incollato in oXygen[5] per procedere alla successiva marcatura. Per questa seconda fase il progetto DigilibLT ha delle norme precise finalizzate all’organizzazione del testo secondo una struttura gerarchica che rispetti il più possibile le suddivisioni del filologo-curatore. Le principali suddivisioni che vengono riprodotte sono  principalmente tra libri, capitoli e paragrafi, andando completamente ad ignorare la numerazione delle pagine e delle righe che risulta superflua per i nostri scopi. Questa macrodivisione si ottiene con il marcatore <div>, seguito da <head>per i titoli e <p> all’inizio della porzione di testo; può essere interessante notare come il marcatore <div>venga utilizzato indifferentemente per libri e capitoli andando a modificare l’attribuzione type all’interno del tag stesso, come mostrato in Figura 1.

 

Figura 1: Raffigurazione di come vengono utilizzate le <div> per capitoli, libri e paratesto.

 

Ci sarebbe, in realtà, molto altro da approfondire sulla marcatura utilizzata, ma per il momento ci limiteremo ad illustrare, nella Tabella 1, i marcatori delle peculiarità testuali maggiormente utilizzati nei testi già contenuti nell’archivio.

 

Aspetti testuale Taggatura Visualizzazione
Lacuna materiale (es: nel codice c’è un buco, una bruciatura…) <gap/> […]
Lacuna integrata dall’editore <supplied><gap/></supplied> <…>
Lacuna parzialmente integrata <supplied>bla<gap/></supplied> <bla…>
Integrazione <supplied>bla bla</supplied> <bla bla>
Cruces <unclear>bla bla</unclear> †bla bla†
Crux singola <unclear/>
Espunzioni <del>bla bla</del> [bla bla]

Tabella 1: Esplicitazione delle particolarità testuali che necessitano di una specifica visualizzazione. Troviamo indicato il tipo di aspetto testuale, i marcatori e la visualizzazione finale[6].

All’interno della selezione di testi che compongono l’archivio non è raro trovare abbreviazioni di ogni genere o simboli che indicano una determinata quantità, come l’oncia o la libra. La loro presenza impone, quindi, che si ponga il problema di come rappresentarli. Sarebbe possibile inserire delle immagini dei simboli stessi, ma questo imporrebbe la presenza di un file .jpeg, come avviene per quei testi corredati di immagini già dall’autore antico (cfr. Favonio Eulogio), associato al documento XML. Si preferisce, invece, utilizzare un metodo che consiste nel codificare il glifo attraverso uno speciale marcatore <g>, con l’intento di fornire una descrizione del simbolo nel’ottica di una collaborazione fatta offrendo materiale all’interno della comunità digitale per l’ampliamento dei simboli Unicode. In caso già esista una codifica del glifo/simbolo in Unicode, basterà utilizzare una marcatura tipo <g>simbolo</g>; se invece non vi è alcuna codifica sarà necessario inserire una descrizione del simbolo nel TEIheader utilizzando <charDecl>nell’<encodingDesc>, come rappresentato in Figura 2.

 

 

Figura 2: Esempio della codifica da inserire nel TEI header per poter rappresentare un simbolo o un glifo non presente su Unicode; in <charName> si inserisce il nome del simbolo, in <desc> una breve descrizione di come esso si presenta (nei testi del DigilibLT questa descrizione è in latino).

 

 

 

 

Va da sé che questo tipo di marcatura preliminare è stata utilizzata anche per i due testi presi in esame: sia l’Euporistonche gli Additamenta sono stati sottoposti ad una doppia rilettura e correzione, sono stati marcati ed organizzati secondo i criteri del biblioteca DigilbLT e, al loro interno, sono stati rinvenuti diversi simboli non codificati su Unicode che hanno, quindi, richiesto un lavoro di individuazione e descrizione con l’ausilio dell’opera di Cappelli[7], nella quale sono raccolti, indicizzati ed esplicati tutti i simboli e i glifi utilizzati nella tradizione latina e volgare.

Il passo successivo è risultato sicuramente il più complesso. Prima di tutto bisognava individuare quali oggetti testuali fossero interessanti per una marcatura specifica che risultasse utile ai fini di una ricerca. Trattandosi di due testi medici sono stati prediletti tutti quei termini che rientravano nella macrocategoria “medicina”. Questa suddivisione, che appare semplice nella teoria, si è rivelata assai complessa nella pratica.

Assunto che si vuole porre l’attenzione su una particolarità semantica degli oggetti testuali, quali sono e dove li troviamo nel testo? Come possono essere suddivisi? Questi sono stati i primi problemi a cui si doveva trovare una soluzione. Si è, quindi, deciso di portare avanti una divisione in tre sottocategorie (malattie, anatomia, rimedi) che a loro volta sono state ulteriormente suddivise come mostrato in Figura 3.

 

 

Figura 3: suddivisione della macrocategoria Medicina nelle tre categorie Rimedi, Antomia e Malattie a loro volta suddivise in altre sottocategorie.

 

 

 

 

 

Come descritto ognuna delle tre categorie viene a sua volta suddivisa per dare maggiore specificità alla marcatura. Per tutte è stato necessario rinvenire delle tassonomie, ovvero delle classificazioni, riconosciute dalla comunità scientifica di riferimento ed attestate da testi di una accertata autorevolezza. Nel caso dei rimedi si fa riferimento all’Antidotario romano latino e volgare di Ciccarelli[8] e si predilige una suddivisione secondo la consistenza e l’origine degli ingredienti utilizzati; per l’anatomia, invece, si fa riferimento al testo di Gray[9], fondamentale per qualsiasi studente di medicina, in cui il corpo umano viene suddiviso in sistemi ed apparati; per le malattie,infine, è stata scelta l’opera di Cullen[10] in cui l’autore opera una scrupolosa categorizzazione delle malattie conosciute al tempo sistemandole sotto le quattro diciture descritte in figura.

A questo punto, individuate le tassonomie che andremo ad utilizzare nella marcatura, bisognava individuare il marcatore più adatto al nostro scopo. Inizialmente la scelta era caduta sul tag<taxonomy> e <category>, ma dopo ricerche più approfondite è venuto fuori che, anche se utilizzabile, il marcatore non era il più adatto in quanto, per definizione, si occupa principalmente di categorizzare diversi generi testuali all’interno dell’intera produzione di un autore (questa sua peculiarità lo classifica comunque come uno strumento estremamente utile); si sarebbe potuto piegare a servire i nostri scopi, ma, come sottolineato dal Prof. Lana, “sarebbe come utilizzare il tacco di una scarpa per mettere un chiodo. Porterebbe allo stesso risultato, ma il martello resta comunque lo strumento migliore”.

Alla fine, dopo altre ricerche, siamo riusciti ad individuare il nostro martello nel tag<interpGrp>e <interp>. Come si intuisce, questo marcatore si occupa di identificare una interpretazione per un termine o una frase. Purtroppo a differenza del <taxonony>non è in grado di offrire una categorizzazione che vada oltre il primo livello.

Trovato il tag, le nostre tassonomie sono state codificate ed inserite nel TEIheader, nella sezione <textClass> contenuta nel <profileDesc>, come illustrato dalla figura 4.

Figura 4: l’immagine mostra come è stata codificata la tassonomia del rimedi; le altre due risultano estremamente simili. Sono state inserite tutte nel TEIheader nel <profileDesc> nella sottoclessificazione <textClass>.

 

Si noti come <interpGrp> sia provvisto di un resp e di un type, mentre per gli <interp> risulta necessario un xml:id che indica il riferimento alla categoria. Sarà proprio la dicitura di quest’ultimo ad essere inserita nel testo tramite il metatag<seg>: esso permette, al contrario di <w>, di evidenziare non solo una singola parola ma un insieme di termini o una porzione di frase. Ammettiamo, quindi, di voler evidenziare un particolare tipo di olio, verremmo ad aver una codifica di questo tipo: <seg ana=”#oi”>tipo di olio</seg>. Analogamente lo stesso accadrebbe per le malattie e le parti del corpo.

Discussione dei risultati.

Premettiamo che il lavoro di marcatura non è stato né facile né veloce, ma sicuramente la soddisfazione non è mancata una volta completati entrambi i testi.

L’aspetto migliore è stato sicuramente il constatare che, all’interno di un archivio, i termini così marcati diventano ricercabili secondo un principio che somiglia per modalità alla ricerca contenuto nella LIZ (Letteratura Italiana Zanichelli), in cui è possibile rinvenire in quanti e in quali testi è stato utilizzato un determinato lemma: nel nostro caso gli esiti della ricerca risultano molto più scientifici che linguistici, ma la sostanza non cambia.

Lavorando con questo sistema ci si rende conto in fretta che le possibili applicazioni sono pressoché infinite. Il tag <interp> si presta a qualsivoglia tipo di studio e può essere “programmato” a seconda delle necessità dello studioso. Può servire ad evidenziare particolarità grammaticali di un testo, ad esempio se si volessero classificare tutti i sostantivi contenuti nella Divina commedia; oppure potrebbe, con alcuni accorgimenti, essere utile per segnalare e correlare tra loro gli errori e le varianti all’interno di una ricerca filologica; potrebbe addirittura risultare utile all’analisi metrica o testuale di un componimento poetico.

I suoi utilizzi sono, quindi, molteplici proprio per l’estrema duttilità del marcatore.

Questo lavoro, per quanto ancora imperfetto, rappresenta un punto di partenza per l’approfondimento di uno strumento come la TEI da parte degli umanisti. Questo sistema di codifica, ben studiato e particolareggiato ma con possibilità di ampliamento, appare indispensabile non solo per l’incremento e la diffusione degli studi sul testo, ma anche per dare nuovi stimoli di ricerca e un nuovo impulso a tutte quelle materie di nicchia che con il passare del tempo possono apparire inutili o destinate ad una fine prematura.

Bibliografia.

Disciplinare:

Cappelli A., Dizionario di Abbreviature latine ed italiana, Milano, Hoepli, 1990.

Ciccarelli I. (tradotto da), Antidotario romano latino e volgare, Venezia, 1664

Cullen W., Synopsis nosologiaemethodicae: sistensmorborum classes genera at soecies cum harum ex SauvagesioSynonomis, New York (?), ExcudebatAbrah. Hodge, 1783

Gray H., Anatomy of the human body, Philadelphia and New York, Lea &Febiger, 1918

Prioreschi P., A history of medicine: roman medicine, London, Horatius Press, 1996

Rose V.(a cura di),TheodorusPriscianus, Euporiston, Libri III. Cumphysicorumfragmento et Additamentis Pseudo-Theodoris, Lipsia, 1894

Informatica Umanistica:

Burdick A., Drucker J., Lunenfield P., Presner T., Schnapp J., Digital Humanities,Massachussetts Institute of Technology, 2012

Burnard L., Sperberg-McQueen C. M., TEI Lite: an intorduction to Text Encodign for Interchange, June 1995, revisited May 2002

Burnard L., Text Encoding for Information Interchange. An introduction to the Text Encoding Initiative, Oxford, Oxford University Compunting Service, 1995

Buzzetti D, Il testo fluido: sull’uso dell’informatica nella critica e nell’analisi testuale, in Floridi (a cura di), 1996

Ciotti F., Il testo e l’automa. Saggi di teoria e critica computazionale dei testi letterari, Roma, ARACNE editrice s.r.l., 2007.

Fieromonte D., Scrittura e filologia nell’era digitale, Torino, Bollati Boringhieri, 2003

Fiormonte D., Il testo digitale: traduzione, codifica, modelli culturali, in Piras P. R., Alessandro A., Fiormonte D. (a cura di), Italianisti in Spagna, ispanisti in Italia: la traduzione. Atti del Convegno Internazionale (Roma, 30 – 31 ottobre 2007), Roma, Kappa, 2008

Gardner J.R., Rendon Z.L., XSLT & XPATH a guide to XML Transformation, Prentice Hall Professional, 2002

Lavagnino J., Completeness and adeguacy in text encoding, in Fineran, 1996

McGann J., Electronic archives and critical editing, Literature Compass 7/2, Universtity of Virginia, 2010

Moller A., Schwartzbach M.I., Gaburri S. (a cura di), Introduzione a XML, Pearson, 2007

Orlandi T. (a cura di), Discipline umanistiche e informatica. Il problema dell’integrazione, Roma, Accademia Nazionale dei Lincei, 1993

Piez W., LMNL in Miniature, invited presentation at Amsterdam Overlap Workshop. December 2008

Rahtz S., Walsh N., Burnard L., A unified model for text markup: TEI, Docbook and beyond, XML Europe 2004 – Conference Proceeddings, IDEAlliance, http://www.idealliance.org/papers/dx_xmle04/papers/03-08-01/03-08-01.pdf

Robinson P.M.W., New directions in critical editing, in Sutherland, 1997

Sperberg-McQueen C.M. e Burnard L., Gentle Introduction ti SGML, INDIAN TEX users group

Sperberg-McQueen C.M., Burnard L., The design of TEI Encoding Scheme, in Ide, Veronis, 1995

Sutherland K. (a cura di), Electronic Text. Investigation in method and interpretation of markup, Oxford, Clarendon Press, 1997

Tissoni F., Lineamenti di editoria multimediale, Milano, Edizioni Unicopli, 2009

———-

[1]Ciotti F., Il testo e l’automa, Aracne editore, Roma, 2007

[2]Burnard L., Sperberg-McQueen C. M., TEI Lite: an intorduction to Text Encodign for Interchange, June 1995, revisited May 2002

[3]Rose V.(a cura di),TheodorusPriscianus, Euporiston, Libri III. Cumphysicorumfragmento et Additamentis Pseudo-Theodoris, Lipsia, 1894.

[4]Si tratta di uno scanner professionale, con struttura a V divisa in un supporto in metallo ed un pannello in plexiglass mobile; questo sistema permette la perfetta apertura delle pagine ed un minimo danneggiamento del volume. È munito di due fotocamere professionali (Canon EOS 5D Mark II, Obiettivo: EF 50mm f/1,8 II), per l’acquisizione delle immagini, ed una tecnologia laser focus, per eliminare il riverbero del flash nelle foto (maggiori informazioni al sito http://pro.atiz.com/).

[5] Ambiente di lavoro per i file .xml molto utilizzato per la precisione e l’intuitività dei tools (http://www.oxygen.com/).

[6]La Tabella 1 è stata ripresa dalle linee guida alla codifica dei testi per il DigilibLT. Non so informazioni rintracciabili sul web, ma la descrizione del metodo di codifica circolante nel gruppo di ricerca.

[7]Cappelli A., Dizionario di Abbreviature latine ed italiana, Milano, Hoepli, 1990.

[8]Ciccarelli I. (tradotto da), Antidotario romano latino e volgare, Venezia, 1664

[9] Gray H., Anatomy of the human body, Philadelphia and New York, Lea &Febiger, 1918

[10] Cullen W., Synopsis nosologiaemethodicae: sistensmorborum classes genera at soecies cum harum ex SauvagesioSynonomis, New York (?), ExcudebatAbrah. Hodge, 1783

 


Leave a Reply

Your email address will not be published. Required fields are marked *