PREMOVE: A multilayer manually annotated dataset of PREverbed MOtion VErbs in Ancient Greek and Latin

Sintesi Tecnica di PREMOVE: Un dataset multilivello annotato manualmente dei verbi di moto preverbi in greco antico e latino

Definizione del problema
Nonostante l'esistenza di robusti corpora annotati per il greco antico e il latino (ad es. AGDT, LDT, PROIEL), nessuna risorsa esistente è specificamente progettata per supportare un'analisi comparativa sistematica e cross-linguistica dei preverbi (prefissi che si attaccano alle basi verbali). Le ricerche precedenti si sono ampiamente basate su analisi qualitative o studi isolati di singoli preverbi, mancando di un framework basato su corpus che catturi l'intera gamma di interazioni tra preverbi e basi verbali attraverso diverse fasi storiche e generi. Inoltre, la costruzione di corpora comparabili per queste lingue affronta significative sfide metodologiche, tra cui il disallineamento cronologico (i testi greci iniziano nell'VIII secolo a.C., il latino nel III), le asimmetrie di genere (ad es. l'abbondanza della tragedia greca rispetto alla scarsità della tragedia latina arcaica) e la "fallacia della verità di Dio" (God's truth fallacy), dove campioni letterari limitati possono rappresentare erroneamente la lingua nel suo complesso.

Metodologia
Il documento introduce PREMOVE, un dataset costruito sulla base del PREMOVE Base Corpus (PBC), una selezione curata di 35 testi di 29 autori che spaziano dall'VIII secolo a.C. al II secolo d.C. Il PBC è stato progettato per bilanciare la rappresentazione diacronica e i generi letterari (epica, lirica, storiografia, filosofia, oratoria, teatro, romanzo) per mitigare i limiti dei record storici.

• Selezione dei target: Il dataset si concentra su otto verbi di moto ad alta frequenza per lingua (ad es. eo/venio, baínō/gradior, trékhō/curro) combinati con 16 preverbi selezionati (16 latini, 16 greci antichi). I preverbi sono stati selezionati in base alla produttività e alla chiarezza semantica, escludendo quelli con bassa frequenza o equivalenze poco chiare (ad es. super-, huper-).
• Processo di annotazione: L'annotazione manuale è stata eseguita utilizzando la piattaforma INCEpTION. Il dataset comprende 2.835 occorrenze verbali annotate manualmente attraverso 42 livelli.
• Schema di annotazione: Lo schema cattura:
  1. Caratteristiche morfosintattiche: Token, lemma, parsing morfologico (Universal Dependencies) e base verbale.
  2. Caratteristiche semantiche: Aspettualità (classi vendleriane), telicità, significato letterale vs figurato, e ruoli semantici (Figura, Ground) mappati su synset di WordNet (WN).
  3. Relazioni spaziali: Codifica di Sorgente, Obiettivo, Percorso e Località, inclusa l'espressione linguistica (preposizione, caso, avverbio) e il ruolo semantico.
  4. Metadati: Autore, titolo, genere, secolo, periodo linguistico e collegamenti a risorse esterne (Perseus Digital Library, PHI Latin Texts, World Historical Gazetteer).
• Valutazione dell'affidabilità: L'accordo tra annotatori (IAA) è stato calcolato su un sottoinsieme di frasi utilizzando i kappa di Cohen e di Fleiss. Il livello centrale della SEMANTICA DEL PREVERBO ha raggiunto una concordanza elevata (Fleiss' κ = 0,80). I livelli oggettivi (ad es. STEMMA DEL VERBO, PREVERBO) hanno raggiunto un accordo perfetto (κ = 1), mentre i livelli semantici che coinvolgono verbi polisemi hanno mostrato un accordo moderato (κ ≈ 0,33–0,70), attribuito alla complessità intrinseca dell'interpretazione semantica e alla granularità di WordNet.

Contributi chiave

1. Il dataset PREMOVE: Un dataset rilasciato pubblicamente, in formato CSV, contenente 2.835 istanze di verbi di moto preverbi con 42 livelli di annotazione. È conforme agli standard FAIR (Five Stars), depositato presso l'Oxford Text Archive e collegato all'infrastruttura LiLa (Linking Latin) come Linked Open Data (LOD).
2. Interfaccia PrevNet: Una piattaforma web interattiva che consente agli utenti di esplorare la frequenza, la semantica, l'uso spaziale e la distribuzione storica dei preverbi senza navigare nei dati tabulari grezzi. Visualizza le distribuzioni semantiche (ad es. grafici a torta dei significati dei preverbi) e collega direttamente ai testi sorgente.
3. Linee guida di annotazione standardizzate: Linee guida accessibili che garantiscono la riproducibilità e l'estensibilità ad altre lingue e classi verbali.
4. Integrazione con i Linked Data: Il dataset è modellato utilizzando il framework OntoLex-Lemon e l'estensione FrAC, consentendo query SPARQL complesse per attestazioni a livello di token collegate ai synset di WordNet e ai lemma di LiLa.

Risultati

• Consistenza dell'annotazione: Lo studio dimostra che, sebbene l'interpretazione semantica (ad es. Aspettualità, Classe del Verbo) rimanga una sfida per le lingue storiche, l'annotazione del nucleo della semantica del preverbo è robusta (κ = 0,80).
• Accessibilità dei dati: Il dataset riesce a colmare il divario tra annotazione linguistica e dati geografici (tramite WHG) e risorse lessicali (tramite LiLa e WordNet), facilitando la ricerca interdisciplinare.
• Utilità computazionale: Le applicazioni preliminari mostrano che PREMOVE funge da risorsa preziosa per l'addestramento e la valutazione dei Large Language Models (LLM). I modelli sottoposti a fine-tuning sui dati di PREMOVE mostrano prestazioni migliorate in compiti che richiedono distinzioni semantiche fini e sensibilità morfologica rispetto alle configurazioni zero-shot o few-shot.

Significato e rivendicazioni
Il documento posiziona PREMOVE come una risorsa fondamentale per far avanzare lo studio empirico dei verbi di moto preverbi e della semantica spaziale. La sua importanza risiede in:

• Abilitare la ricerca cross-linguistica: Fornire la prima risorsa sistematicamente annotata per confrontare il comportamento dei preverbi tra il greco antico e il latino, colmando una lacuna nella linguistica storica e nella filologia computazionale.
• Supportare le Digital Humanities: Offrire un dataset leggibile dalle macchine e conforme agli standard FAIR, che si integra con le infrastrutture digitali esistenti (LiLa, Perseus), supportando compiti che vanno dallo sviluppo di modelli all'analisi diacronica.
• Facilitare gli studi interdisciplinari: Collegare la linguistica, le digital humanities e la geografia storica per investigare come il moto e i concetti spaziali siano codificati ed estesi metaforicamente nei testi classici.
• Estensibilità: Il design modulare e le linee guida aperte permettono al framework di essere esteso ad altre lingue (ad es. l'italiano, attualmente in fase di sviluppo in PrevNet) e classi verbali, supportando studi comparativi su larga scala di processi di lessicalizzazione e grammaticalizzazione.

Gli autori riconoscono i limiti, tra cui la dipendenza da un singolo annotatore primario per la maggior parte dei dati e la soggettività intrinseca dell'annotazione semantica nelle lingue storiche. Tuttavia, sostengono che l'alta precisione raggiunta nei livelli centrali e la metodologia trasparente e riproducibile forniscano una base robusta per la futura espansione e per gli sforzi di annotazione automatizzata.