{"id":2634,"date":"2006-06-01T00:00:00","date_gmt":"2006-05-31T22:00:00","guid":{"rendered":""},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T22:00:00","slug":"2634","status":"publish","type":"post","link":"https:\/\/www.vialattea.net\/content\/2634\/","title":{"rendered":"L’esistenza dell’informazione \u00e8 condizionata dalla presenza di un soggetto “percipiente” o esiste a prescindere dall’uomo? Un testo conservatosi in una lingua non pi\u00f9 decodificabile contiene ancora informazione?"},"content":{"rendered":"

Il concetto di <\/span>informazione come messaggio prevede l\u2019esistenza di un\u2019entit\u00e0 trasmittente e di una ricevente. Shannon<\/span> (1948) ha fornito una descrizione formale di questo processo dove concorrono un canale ed un processo di decodifica \/ decodifica<\/span>.<\/p>\n

\n

Volendo filosofeggiare<\/span>, qualora il percipiente<\/span> scompaia, oppure il processo di codifica\/decodifica<\/span> non sia pi\u00f9 disponibile, l\u2019informazione stessa cessa di esistere per definizione<\/i>.<\/p>\n

\n

Tuttavia, risultati<\/span> estremamente interessanti (Yarowsky<\/span>, 1992) nell\u2019ambito della linguistica computazionale<\/span> (NLP \u2013 Natural<\/i><\/span> Language<\/span> Processing<\/i>) indicano che \u00e8 possibile applicare un approccio di tipo probabilistico per estrarre informazione da un testo, purch\u00e9 questo sia sufficientemente esteso.<\/p>\n

L\u2019idea \u00e8 di considerare il testo come sequenza di parole (termini) e di partire dall\u2019assunto che, su un grande<\/span> numero di termini, termini dalla semantica (significato) simile, tendono a raggrupparsi intorno a termini cosiddetti \u201cprototipici<\/span>\u201d.<\/p>\n

L\u2019elenco seguente illustra la serie di categorie di significato, per i nomi, oggi adottata in NLP:<\/p>\n

1 <\/span>Tops<\/span><\/p>\n

<\/span><\/p>\n

2 <\/span>act<\/span><\/p>\n

<\/span><\/p>\n

3 <\/span>animal<\/span><\/p>\n

<\/span><\/p>\n

4 <\/span>artifact<\/span><\/span><\/p>\n

<\/span><\/p>\n

5 <\/span>attribute<\/p>\n

<\/span><\/p>\n

6 <\/span>body<\/span><\/p>\n

<\/span><\/p>\n

7 <\/span>cognition<\/span><\/span><\/p>\n

<\/span><\/p>\n

8 <\/span>communication<\/span><\/p>\n

<\/span><\/p>\n

9 <\/span>event<\/span><\/p>\n

<\/span><\/p>\n

10 <\/span>feeling<\/p>\n

<\/span><\/p>\n

11 <\/span>food<\/span><\/p>\n

<\/span><\/p>\n

12 <\/span>group<\/span><\/p>\n

<\/span><\/p>\n

13 <\/span>location<\/span><\/p>\n

<\/span><\/p>\n

14 <\/span>motive<\/span><\/p>\n

<\/span><\/p>\n

15 <\/span>object<\/p>\n

<\/span><\/p>\n

16 <\/span>person<\/span><\/p>\n

<\/span><\/p>\n

17 <\/span>phenomenon<\/span><\/p>\n

<\/span><\/p>\n

18 <\/span>plant<\/span><\/p>\n

<\/span><\/p>\n

19 <\/span>possession<\/span><\/p>\n

<\/span><\/p>\n

20 <\/span>process<\/span><\/p>\n

<\/span><\/p>\n

21 <\/span>quantity<\/span><\/p>\n

<\/span><\/p>\n

22 <\/span>relation<\/span><\/p>\n

<\/span><\/p>\n

23 <\/span>shape<\/p>\n

<\/span><\/p>\n

24 <\/span>state<\/span><\/p>\n

<\/span><\/p>\n

25 <\/span>substance<\/span><\/p>\n

<\/span><\/p>\n

26 <\/span>time<\/span><\/span><\/p>\n

<\/span><\/p>\n

<\/p>\n

\n

<\/span><\/p>\n

Determinare il significato di un testo vuol dire quindi assegnare una classe di <\/span>appartenenza per ogni termine w<\/i> in esso contenuto. <\/p>\n

Un termine \u00e8 detto prototipico<\/span> se per una data classe pu\u00f2 essere assunto come marcatore<\/i>. Ad esempio \u201ccasa\u201d \u00e8 prototipico<\/span> per la classe 4<\/span>\/Artifact<\/span> e \u201ccerchio\u201d per la classe 23\/Shape<\/span>. La collezione di termini prototipici<\/span> per una classe \u00e8 detto kernel<\/i><\/span> <\/i>della classe.<\/p>\n

L\u2019assunto di Yarowsky<\/span> prevede che termini appartenenti alla stessa classe tendono a raggrupparsi in aree di testo attigue, definendo quindi come contesto<\/i> la finestra di termini che dista<\/span> +\/- n parole da un termine centrale, \u00e8 possibile determinare la probabilit\u00e0 che un termine di significato sconosciuto appaia nei contesti di una classe C<\/i>, come segue.<\/p>\n

\n

\n<\/p>\n

Si definisce mutua occorrenza<\/i>, la quantit\u00e0:<\/p>\n

\n

\n

\n

\"\"<\/sub>numero<\/span> di occorrenze del termine v nei contesti del termine w<\/p>\n

\n

<\/i><\/p>\n

allora<\/span>, il numero di occorrenze del termine v<\/i> nei contesti di una classe C<\/i> \u00e8 definito come il numero di volte che il termine v<\/i> appare nel contesto di termini appartenenti al kernel<\/span> per quella classe:<\/p>\n

\n

\"\"<\/p>\n<\/p>\n

<\/sub><\/p>\n

\n

Secondo Yarowsky<\/span> :<\/span> \u201cun termine \u00e8 candidabile alla classificazione in classe C se appare di frequente nei contesti di termini salienti per quella classe<\/i>\u201d. <\/p>\n

La definizione formale di termine saliente <\/i>per una classe pu\u00f2 essere costruita sulla base della mutua occorrenza: un termine \u00e8 tanto pi\u00f9 saliente<\/span> per la classe C<\/i> quanto pi\u00f9 \u00e8 alta la probabilit\u00e0 di vederlo nei contesti di termini appartenenti al kernel<\/span> di quella classe, pi\u00f9 formalmente:<\/p>\n

<\/sub> <\/span>\"\" [1]<\/p>\n

\n<\/p>\n

ovvero<\/span> il grado di importanza di un termine per una classe \u00e8 dato dal numero di volte che questo termine appare nei contesti di quella classe diviso per il numero di volte complessivo che il termine appare nei contesti di tutte le classi.<\/p>\n

Il lavoro di Yarowsky<\/span> procede oltre e fornisce un metodo completo per riclassificare<\/i><\/span> tutti i termini nel testo, ma il dettaglio \u00e8 matematicamente troppo pesante per questa sede (chi volesse, pu\u00f2 contattarmi<\/span> per richiedere il materiale su cui ho svolto la mia tesi di Laurea, proprio in questo ambito).<\/p>\n

Il problema iniziale \u00e8 quello di identificare un numero di termini sufficienti per definire il kernel<\/span> delle varie classi. Fatto ci\u00f2, si pu\u00f2 procedere per iterazioni, semplificando:<\/p>\n

    \n
  1. Si determina la collezione di termini salienti per la classe C<\/i>, ovvero di termini per cui<\/span> la probabilit\u00e0 [1] supera una certa soglia.<\/li>\n
  2. Si opera un processo detto di disambiguazione<\/i><\/span>, ovvero i termini salienti identificati sono caratterizzati da una distribuzione di probabilit\u00e0 lungo le classi. Applicando opportuni algoritmi di filtro \u00e8 possibile stabilire un set di classi per cui<\/span> questi termini sono particolarmente rappresentativi.<\/li>\n
  3. Si aggiungono i termini nel kernel<\/span> delle classi identificate nel passo precedente e si riparte dal punto 1, fino a che non si \u00e8 classificato l\u2019intero campione di termini.<\/li>\n<\/ol>\n

    Risultati successivi, tra cui il filone in cui si colloca la mia tesi di Laurea, mostrano che \u00e8 possibile determinare un kernel<\/span> per le classi utilizzando un dizionario che riporti i termini ad un elenco di candidati in una lingua nota, per cui<\/span> la classificazione \u00e8 disponibile. <\/p>\n

    Avendo a disposizione un\u2019analogo<\/span><\/span> della stele di Rosetta, \u00e8 quindi possibile determinare una distribuzione di probabilit\u00e0 dei significati che i termini del linguaggio sconosciuto possono assumere.<\/p>\n

    In questo senso, la risposta \u00e8 positiva<\/span>: qualsiasi collezione di testo, purch\u00e9 sufficientemente esteso, contiene in s\u00e9 un\u2019informazione intrinseca<\/i>, che pu\u00f2 essere estratta in modo opportuno.<\/p>\n","protected":false},"excerpt":{"rendered":"

    […]<\/p>\n","protected":false},"author":180,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[64],"tags":[],"class_list":["post-2634","post","type-post","status-publish","format-standard","hentry","category-teoria-dei-segnali"],"_links":{"self":[{"href":"https:\/\/www.vialattea.net\/content\/wp-json\/wp\/v2\/posts\/2634","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.vialattea.net\/content\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.vialattea.net\/content\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.vialattea.net\/content\/wp-json\/wp\/v2\/users\/180"}],"replies":[{"embeddable":true,"href":"https:\/\/www.vialattea.net\/content\/wp-json\/wp\/v2\/comments?post=2634"}],"version-history":[{"count":0,"href":"https:\/\/www.vialattea.net\/content\/wp-json\/wp\/v2\/posts\/2634\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.vialattea.net\/content\/wp-json\/wp\/v2\/media?parent=2634"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.vialattea.net\/content\/wp-json\/wp\/v2\/categories?post=2634"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.vialattea.net\/content\/wp-json\/wp\/v2\/tags?post=2634"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}