Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Strumenti, applicazioni e approcci delle Digital Humanities all’analisi testuale.

In occasione del primo incontro del seminario dedicato al Work in progress dei dottorandi, ho presentato un intervento volto a evidenziare il contributo che i metodi e gli strumenti computazionali offerti dalle Digital Humanities possono apportare all’analisi dei testi letterari.

Gli studi letterari hanno svolto un ruolo centrale nello sviluppo delle Digital Humanities, costituendo un terreno privilegiato per l’applicazione di metodi computazionali. Questo ha portato al riconoscimento delle Digital Literary Studies come ambito autonomo, sancito dalla pubblicazione del Companion to Digital Literary Studies. Tale rilevanza è legata anche al ruolo fondamentale della digitalizzazione e codifica dei testi nel panorama delle DH.

L’approccio per uno studio della letteratura basato su metodi computazionali è quello cosiddetto “distant reading”, teorizzato da Franco Moretti nel saggio Conjectures on World Literature (2000). Esso rappresenta un approccio innovativo allo studio della letteratura, in netta contrapposizione al tradizionale close reading. Invece di concentrarsi sull’analisi ravvicinata di singole opere, il distant reading privilegia una prospettiva quantitativa, fondata sull’uso di strumenti computazionali e statistici per l’analisi di ampi corpora testuali. Secondo Moretti, la letteratura mondiale non può essere compresa attraverso la lettura diretta di ogni testo: è necessario costruire modelli teorici per cogliere le dinamiche su larga scala del sistema letterario.

Tale approccio è alla base del mio progetto di ricerca incentrato sulle forme di auto-rappresentazione nelle scritture del sé femminili in lingua francese. Dopo aver offerto una panoramica sul progetto, ho approfondito un concetto cardine nell’ambito delle DH, ovvero quello di “operazionalizzazione”. Successivamente, ho illustrato le potenzialità di Mallet (MAchine Learning for LanguagE Toolkit), uno degli strumenti attualmente disponibili per l’analisi automatizzata dei testi al fine di portare un esempio pratico della possibilità di indagare i testi con un approccio distant reading.

Dai concetti alla quantificazione: l’operazionalizzazione

L’operazionalizzazione è un concetto chiave nelle Digital Humanities, mutuato dalla scienza: nasce con il fisico P.W. Bridgman (1927), secondo cui un concetto ha significato solo se può essere tradotto in operazioni concrete. In ambito letterario, operazionalizzare significa costruire un ponte che colleghi i concetti alla misurazione e, di conseguenza, al mondo. Nel nostro caso: dai concetti della teoria letteraria, attraverso una forma di quantificazione, ai testi letterari (Moretti 2014: 13). Questo processo implica una definizione teorica precisa, l’identificazione delle dimensioni analizzabili (come temi, strategie narrative, lessico), la scelta di metodi e strumenti adeguati e la costruzione di un corpus. Tra le tecniche che permettono l’operazionalizzazione delle domande di ricerca, troviamo il topic modeling.

Metodi e strumenti: Topic Modeling tramite MAllet

Il topic modeling è una tecnica computazionale utilizzata per identificare automaticamente gli argomenti latenti all’interno di grandi collezioni testuali. Come osserva M. Posner (2012), si tratta di un metodo per rilevare gruppi ricorrenti di parole, detti topic, in un corpus ampio e non strutturato. Un topic può essere definito come un insieme di parole che tendono a co-occorre frequentemente nei documenti, suggerendo la presenza di un tema sottostante (Brett 2012).

I topic model sono gli algoritmi che rendono possibile questa scoperta: essi organizzano automaticamente i testi in base ai temi individuati, offrendo una panoramica sintetica della struttura semantica del corpus (Blei 2012). Tra i modelli più noti e diffusi si trova LDA (Latent Dirichlet Allocation), un modello generativo probabilistico secondo cui ogni documento è composto da una combinazione di topic, e ciascun topic è a sua volta rappresentato come una distribuzione di parole (Figura 1).

Figura 1- Schema illustrativo della Latent Dirichlet Allocation (LDA). Estratta da: Blei, David M. 2012. «Probabilistic Topic Models». Communications of the ACM 55 (4): 77–84. https://doi.org/10.1145/2133806.2133826.

L’algoritmo LDA non osserva direttamente i topic, ma ne inferisce la presenza a partire dalle parole visibili nei testi. Uno degli strumenti più utilizzati per implementare LDA è MAllet, un pacchetto open-source in Java che consente di eseguire il topic modeling in modo efficiente e personalizzabile. Sebbene richieda l’utilizzo del terminale e una configurazione iniziale accurata, tale strumento è particolarmente adatto per progetti su larga scala grazie alla sua precisione e flessibilità.
Il processo di topic modeling eseguito da MAllet si articola principalmente in due fasi: l’importazione del corpus e l’addestramento del modello.

Poiché per applicare modelli di topic modeling è necessario trasformare i testi in una forma che gli algoritmi possano interpretare, la prima fase del lavoro eseguito da MAllet prevede tale trasformazione. Uno dei metodi più semplici ed efficaci per farlo è la Bag of Words (BoW). La Bag of Words è un modello di rappresentazione del linguaggio naturale in cui ogni documento viene convertito in un vettore numerico. Questo vettore indica quante volte ciascuna parola appare nel documento, rispetto a un vocabolario costruito a partire da tutta la collezione testuale. In altre parole, si riduce ogni testo a un elenco di frequenze di parole e questo è ciò che viene eseguito da MAllet nella prima fase del lavoro (Figura 2).

Figura 2 – Schema Bag of Words

 

Una volta importato il corpus, si procede all’addestramento del modello con il comando train-topics. Dopo l’addestramento del modello, MALLET restituisce una serie di file di output che permettono di analizzare e interpretare i risultati dell’estrazione dei topic, quali la lista dei topic estratti, ciascuno identificato da un numero e accompagnato da un insieme di parole chiave ordinate per peso e la distribuzione dei topic, vale a dire con quale peso (probabilità) ogni topic è presente nel documento.

Conclusione

Il distant reading si configura oggi come uno degli strumenti più significativi offerti dalle digital humanities per lo studio della letteratura. L’approccio teorizzato da Franco Moretti ha permesso di superare i limiti dell’analisi tradizionale, rendendo possibile l’esame di ampi insiemi testuali.

Non si tratta di sostituire l’interpretazione critica, ma di ampliarne le possibilità, offrendo nuove prospettive sulla produzione letteraria e sulle sue dinamiche nel tempo e nello spazio. In particolare, il distant reading consente di interrogare il canone, di fare emergere testi dimenticati o marginali, e di costruire una visione più ampia e sistemica della letteratura.

Nel contesto contemporaneo, in cui le tecnologie digitali stanno trasformando il modo in cui produciamo, conserviamo e studiamo i testi, il distant reading rappresenta una risorsa imprescindibile: non solo per la quantità di dati che permette di analizzare, ma soprattutto per il nuovo sguardo critico che offre sulla complessità del fenomeno letterario.

 

 


OpenEdition vi suggerisce di citare questo post nel modo seguente:
elianabergaglio (24 Aprile 2025). Strumenti, applicazioni e approcci delle Digital Humanities all’analisi testuale. Digital Humanities PhD. Recuperato il 15 Maggio 2025 da https://doi.org/10.58079/13t7f


Potrebbero interessarti anche...

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

This site uses Akismet to reduce spam. Learn how your comment data is processed.