Informatica umanistica: appunti per l’esame

L’informatica umanistica (in inglese digital humanities) studia l’incontro tra le discipline umanistiche e le tecnologie digitali. Non si tratta solo di usare il computer per scrivere la tesi o cercare un libro in biblioteca: si tratta di capire come i testi, le immagini, i documenti storici, le opere d’arte possono essere rappresentati in forma digitale, quali scelte comporta questa rappresentazione e quali nuove domande di ricerca permette. Quando trasformi una poesia in un file, devi decidere che cosa conservare: il testo, la divisione in versi, le varianti dei manoscritti, la grafia originale, le note di un editore? Ogni decisione è un’interpretazione.

L’esame si trova nei corsi di Lettere, Beni culturali, Filosofia, Lingue e Storia, e vale di solito tra 6 e 12 crediti. Il programma comprende in genere una parte teorica (storia della disciplina, rappresentazione dell’informazione, codifica dei testi, metadati, biblioteche digitali) e una parte pratica (esercitazioni di codifica XML/TEI, uso di strumenti di analisi testuale, a volte un piccolo progetto). All’orale ti chiedono di spiegare i concetti e di discutere il progetto o gli esercizi svolti.

Come usare questi appunti

La materia è nuova per molti studenti di Lettere, e a volte spaventa. Non serve essere programmatori: serve capire alcuni concetti fondamentali (che cos’è un’informazione digitale, che cos’è un linguaggio di marcatura, che cosa sono i metadati) e allenarsi con qualche esercizio pratico. Questi appunti seguono un ordine logico: prima la storia della disciplina, poi i fondamenti dell’informatica, poi la rappresentazione dei testi, i metadati, le biblioteche e gli archivi digitali, l’analisi computazionale, e infine le questioni critiche.

Un consiglio: mentre studi, apri un editor di testo e prova. Scrivi un piccolo file XML, codifica una poesia, cerca un testo in una biblioteca digitale e scarica i suoi metadati. Capirai in un’ora ciò che leggendo richiede giorni.

La storia della disciplina

Padre Busa e l’Index Thomisticus

La storia dell’informatica umanistica comincia, per convenzione, con un gesuita italiano, Roberto Busa (1913-2011). Alla fine degli anni Quaranta Busa voleva studiare il concetto di presenza nelle opere di Tommaso d’Aquino, e aveva bisogno di un indice di tutte le parole del suo vastissimo corpus, circa undici milioni di parole. Nel 1949 incontrò a New York Thomas J. Watson, fondatore dell’IBM, e lo convinse a sostenere il progetto con le macchine a schede perforate. Nacque così l’Index Thomisticus, un’opera di lemmatizzazione e concordanza dell’intero corpus tomistico, pubblicata in volumi a stampa negli anni Settanta e poi su CD-ROM (1992) e online. Il lavoro di Busa mostra che fin dall’inizio l’informatica umanistica non è stata una semplice automazione, ma una riflessione sul testo: per indicizzare le parole bisogna decidere che cosa sia una parola, come trattare le forme flesse, come distinguere gli omografi.

Dalla linguistica computazionale all’humanities computing

Negli anni Cinquanta e Sessanta si sviluppano le prime applicazioni del calcolatore alla linguistica (traduzione automatica, concordanze, statistica lessicale) e alla stilometria, cioè lo studio quantitativo dello stile per attribuire testi di autore incerto. Un caso celebre è lo studio di Frederick Mosteller e David Wallace (1964) sui Federalist Papers, che attribuì a James Madison dodici saggi contesi con Alexander Hamilton, analizzando la frequenza di parole funzionali come “upon” e “whilst”. Negli anni Settanta e Ottanta nascono associazioni, riviste e centri di ricerca: si parla di humanities computing o, in Italia, di informatica umanistica. In Italia sono stati importanti i lavori di Antonio Zampolli a Pisa, con l’Istituto di Linguistica Computazionale del CNR, e di Tito Orlandi per i testi copti.

L’era del web

Con il personal computer e poi con il web, a partire dagli anni Novanta, l’informatica umanistica cambia scala. Nel marzo 1989 Tim Berners-Lee, al CERN di Ginevra, propose un sistema di informazioni collegate da link ipertestuali, che sarebbe diventato il World Wide Web. Nella conclusione della sua proposta scriveva:

We should work toward a universal linked information system, in which generality and portability are more important than fancy graphics techniques and complex extra facilities.

Cioè: dovremmo lavorare a un sistema universale di informazioni collegate, in cui generalità e portabilità contino più delle tecniche grafiche sofisticate e delle funzioni accessorie complesse. L’idea di ipertesto, un testo non lineare fatto di nodi e collegamenti, era stata formulata già negli anni Sessanta da Ted Nelson, e prima ancora immaginata da Vannevar Bush nel 1945 con il Memex, una scrivania meccanica per archiviare e collegare documenti. Il web rende possibili le biblioteche digitali, gli archivi online, le edizioni elettroniche accessibili a tutti.

Le digital humanities

Nei primi anni Duemila si afferma l’espressione digital humanities, che sottolinea un ampliamento del campo: non più solo testi, ma anche immagini, suoni, dati geografici, reti sociali, modelli 3D; non più solo strumenti, ma riflessione critica sulla cultura digitale. Nel 2004 esce il Companion to Digital Humanities curato da Susan Schreibman, Ray Siemens e John Unsworth. Nascono centri di ricerca, corsi di laurea, l’associazione internazionale ADHO e, in Italia, l’AIUCD (Associazione per l’Informatica Umanistica e la Cultura Digitale, fondata nel 2011). Il dibattito sui confini della disciplina è ancora aperto: è un campo di ricerca autonomo, un insieme di metodi al servizio delle discipline tradizionali, o una trasformazione delle scienze umane nel loro insieme?

L’informatica umanistica in Italia

L’Italia ha una tradizione importante in questo campo. Oltre a Busa, che lavorò a Gallarate e poi a Milano, e a Zampolli a Pisa, vanno ricordati i grandi progetti lessicografici e testuali: il Tesoro della Lingua Italiana delle Origini (TLIO) dell’Opera del Vocabolario Italiano, a Firenze, che raccoglie i testi italiani antichi in un corpus interrogabile; la LIZ (Letteratura Italiana Zanichelli) su CD-ROM, che negli anni Novanta mise a disposizione di studenti e studiosi i classici della letteratura italiana; le concordanze e gli archivi danteschi; il progetto Musisque Deoque per la poesia latina. Oggi l’AIUCD organizza un convegno annuale e pubblica la rivista Umanistica Digitale, e molte università italiane offrono corsi e lauree magistrali dedicati. Conoscere questi progetti ti permette di mostrare all’orale che la disciplina ha radici anche nella nostra tradizione filologica e lessicografica, non solo nel mondo anglosassone.

I fondamenti dell’informatica

Informazione e bit

Per un umanista, il primo passo è capire che cosa significhi “digitale”. Un’informazione digitale è un’informazione rappresentata con simboli discreti, in ultima analisi con due soli valori, 0 e 1: i bit (binary digit). Otto bit formano un byte, che può assumere 256 valori diversi. Tutto ciò che sta in un computer, testi, immagini, suoni, programmi, è una sequenza di bit, interpretata secondo regole precise. Lo stesso byte può essere una lettera, un colore, un numero o un’istruzione, a seconda del programma che lo legge.

La codifica dei caratteri

Per rappresentare un testo bisogna associare a ogni carattere un numero. Il primo standard diffuso è l’ASCII (1963), che usa 7 bit per 128 caratteri: lettere inglesi, cifre, punteggiatura, caratteri di controllo. Ma l’ASCII non contiene le lettere accentate, né i caratteri greci, cirillici, arabi, cinesi. Per decenni si sono usate codifiche locali incompatibili tra loro (le famose lettere accentate che diventano simboli strani quando apri un file con il programma sbagliato). La soluzione è Unicode, uno standard che assegna un numero unico (code point) a ogni carattere di ogni sistema di scrittura, compresi il greco antico con accenti e spiriti, il latino medievale con le sue abbreviazioni, i geroglifici egiziani. La codifica più usata di Unicode è UTF-8, compatibile con l’ASCII. Per chi lavora su testi antichi, Unicode è stato una rivoluzione: prima, scrivere greco al computer richiedeva font speciali e trucchi.

Dati, formati, algoritmi

Un formato è una convenzione su come organizzare i bit in un file: TXT per il testo semplice, DOCX per i documenti di Word, PDF per i documenti impaginati, JPEG e TIFF per le immagini, MP3 per l’audio, XML per i dati strutturati. Alcuni formati sono aperti (le loro specifiche sono pubbliche e chiunque può scrivere programmi per leggerli), altri proprietari. Per la conservazione a lungo termine dei beni culturali digitali si preferiscono formati aperti, documentati e diffusi. Un algoritmo è una sequenza finita di istruzioni per risolvere un problema; un programma è un algoritmo scritto in un linguaggio comprensibile dal computer.

Hardware, software, rete

L’hardware è la parte fisica del computer (processore, memoria, dischi); il software sono i programmi. Il sistema operativo gestisce le risorse e permette agli altri programmi di funzionare. Internet è una rete di reti che comunicano con protocolli comuni (TCP/IP); il web è un servizio che funziona su Internet, basato su tre elementi inventati da Berners-Lee: il linguaggio HTML per le pagine, il protocollo HTTP per trasmetterle, gli indirizzi URL per identificarle.

La codifica dei testi

Che cos’è un linguaggio di marcatura

Un testo digitale semplice (un file TXT) contiene solo la sequenza dei caratteri. Ma un testo è molto più di questo: ha titoli, paragrafi, versi, note, citazioni, nomi di persona, date. Per rappresentare queste informazioni si usano i linguaggi di marcatura (markup languages), che inseriscono nel testo delle etichette (tag) per indicarne la struttura o le caratteristiche. Il termine viene dalla tipografia: il “markup” era l’insieme di segni che il redattore scriveva a margine del manoscritto per indicare al compositore come impaginare.

Si distingue tra marcatura procedurale, che indica come il testo deve apparire (grassetto, corpo 14, centrato), e marcatura descrittiva, che indica che cosa il testo è (un titolo, un verso, un nome di luogo). La marcatura descrittiva separa il contenuto dalla presentazione: lo stesso testo può essere stampato, visualizzato sul web o analizzato da un programma, ciascuno secondo le proprie regole. È il principio su cui si fonda l’informatica umanistica testuale.

Da SGML a XML

Il primo standard internazionale di marcatura descrittiva è SGML (Standard Generalized Markup Language, standard ISO dal 1986), nato da un progetto IBM di Charles Goldfarb. SGML non è un linguaggio con etichette fisse, ma un metalinguaggio: permette di definire linguaggi di marcatura specifici. L’HTML del web è nato come applicazione di SGML, con un insieme limitato di etichette orientate alla presentazione. Nel 1998 il W3C pubblica XML (eXtensible Markup Language), una versione semplificata di SGML, pensata per il web, che diventa lo standard per i dati strutturati.

Le regole di XML

Un documento XML è fatto di elementi, delimitati da un tag di apertura e uno di chiusura con lo stesso nome (per esempio un elemento chiamato verso si apre con <verso> e si chiude con </verso>). Gli elementi possono contenere testo o altri elementi, e possono avere attributi, cioè informazioni aggiuntive nella forma nome=”valore” (per esempio un attributo n=”1″ per numerare un verso). Un documento è ben formato se rispetta le regole sintattiche: c’è un solo elemento radice che contiene tutti gli altri, ogni elemento aperto viene chiuso, gli elementi sono annidati correttamente senza sovrapposizioni, i valori degli attributi sono tra virgolette. Un documento è valido se, oltre a essere ben formato, rispetta uno schema (DTD, XML Schema o RELAX NG) che stabilisce quali elementi sono ammessi, in quale ordine e con quali attributi.

Il vincolo dell’annidamento crea un problema noto: la sovrapposizione delle gerarchie. Un testo poetico ha una struttura metrica (strofe e versi) e una struttura sintattica (frasi), che spesso non coincidono, come quando una frase continua da un verso all’altro (enjambement); un manoscritto ha una struttura fisica (pagine e righe) diversa da quella logica. XML non permette di rappresentare direttamente due gerarchie sovrapposte, e la TEI propone soluzioni come gli elementi vuoti che segnano un punto (per esempio l’inizio di una pagina).

La Text Encoding Initiative

La Text Encoding Initiative (TEI) è il progetto che ha definito lo standard di codifica dei testi più usato nelle scienze umane. Nasce da una conferenza al Vassar College di Poughkeepsie, nello stato di New York, nel novembre 1987, in cui studiosi di tutto il mondo si accordarono su alcuni principi comuni per la codifica dei testi a fini di ricerca. Le prime raccomandazioni furono pubblicate nel 1994 in SGML (P3); la versione attuale, P5, dal 2007, è in XML ed è mantenuta da un consorzio internazionale.

Le norme TEI definiscono diverse centinaia di elementi, organizzati in moduli: per la prosa, la poesia, il dramma, i manoscritti, l’apparato critico, i nomi e le date, i dizionari, le trascrizioni del parlato. Ogni progetto sceglie i moduli che gli servono e può personalizzarli. Un documento TEI ha due parti principali: l’intestazione (teiHeader), che contiene i metadati (titolo, autore, fonte, responsabilità della codifica, criteri editoriali), e il testo vero e proprio (text), diviso in parte iniziale, corpo e parte finale. Tra gli elementi più usati ci sono quelli per i paragrafi (p), i versi (l) e i gruppi di versi (lg), le divisioni (div), i titoli (head), i nomi di persona (persName) e di luogo (placeName), le date (date), le note (note), le cancellature (del) e le aggiunte (add), le abbreviazioni e il loro scioglimento (choice, abbr, expan).

L’edizione digitale

La TEI è la base di molte edizioni digitali scientifiche. Un’edizione digitale non è un PDF di un’edizione a stampa: è un insieme di dati codificati che possono essere visualizzati in modi diversi (testo critico, trascrizione diplomatica, immagini del manoscritto affiancate), interrogati, collegati ad altre risorse. Può rappresentare più testimoni di un’opera e le loro varianti, permettendo al lettore di confrontarli. Tra gli esempi più noti ci sono l’edizione delle lettere di Vincent van Gogh, l’archivio di William Blake, l’edizione digitale del Codice Pelavicino e diverse edizioni dantesche. La riflessione teorica sull’edizione digitale (Peter Robinson, Patrick Sahle, Elena Pierazzo) è un tema importante dell’esame, che puoi approfondire negli appunti di Filologia digitale.

I metadati

Che cosa sono

I metadati sono “dati sui dati”: informazioni che descrivono una risorsa per permetterne la ricerca, l’identificazione, la gestione e la conservazione. La scheda di un catalogo di biblioteca, con autore, titolo, editore, anno, soggetto, è un insieme di metadati. Si distinguono di solito metadati descrittivi (che cosa è la risorsa), amministrativi (chi l’ha prodotta, con quali diritti, in quale formato tecnico) e strutturali (come è organizzata, per esempio l’ordine delle pagine di un libro digitalizzato).

Gli standard

Lo standard più semplice e diffuso è il Dublin Core, nato nel 1995 da un seminario a Dublin, in Ohio: quindici elementi di base (titolo, creatore, soggetto, descrizione, editore, contributore, data, tipo, formato, identificatore, fonte, lingua, relazione, copertura, diritti), tutti facoltativi e ripetibili. Le biblioteche usano formati più complessi, come MARC (nato negli anni Sessanta alla Library of Congress) e i suoi successori. Per gli oggetti digitali complessi si usa METS, che raccoglie metadati descrittivi, amministrativi e strutturali. Nel mondo dei musei e degli archivi esistono standard specifici (come EAD per gli inventari archivistici e LIDO per gli oggetti museali). In Italia l’ICCD (Istituto Centrale per il Catalogo e la Documentazione) definisce le schede di catalogo dei beni culturali.

Il web semantico e i linked open data

Negli anni Duemila Berners-Lee propone il web semantico: un web non solo di documenti leggibili dagli uomini, ma di dati leggibili dalle macchine, collegati tra loro. Il modello di base è RDF (Resource Description Framework), che rappresenta l’informazione in triple soggetto-predicato-oggetto (“Dante” – “è autore di” – “Commedia”), dove ogni elemento è identificato da un indirizzo univoco (URI). Le ontologie definiscono i concetti e le relazioni di un dominio: nel campo dei beni culturali la più importante è CIDOC CRM. I linked open data sono dati pubblicati apertamente secondo questi principi: un esempio è Wikidata, la base di conoscenza collegata a Wikipedia, oppure gli identificatori VIAF per gli autori. Grazie ai linked data, una biblioteca, un museo e un archivio possono collegare le proprie risorse su uno stesso autore o su uno stesso luogo.

Biblioteche, archivi e digitalizzazione

Le biblioteche digitali

Il primo grande progetto di biblioteca digitale è il Progetto Gutenberg, avviato nel 1971 da Michael Hart, che trascrisse al computer la Dichiarazione d’indipendenza americana; oggi contiene decine di migliaia di testi di pubblico dominio in formato testuale. Negli anni Novanta e Duemila nascono le biblioteche digitali nazionali (Gallica della Biblioteca nazionale di Francia, il portale Internet Culturale in Italia), i grandi progetti di digitalizzazione di massa (Google Books, dal 2004, con accordi con molte biblioteche universitarie e numerose controversie sul diritto d’autore), l’Internet Archive con la sua Wayback Machine che conserva le pagine web, e nel 2008 Europeana, il portale europeo che aggrega i metadati di migliaia di istituzioni culturali. Per i testi classici sono fondamentali il Perseus Digital Library e il Thesaurus Linguae Graecae; per l’italiano, la Biblioteca italiana e i corpora storici.

La digitalizzazione

Digitalizzare un documento significa produrne una rappresentazione digitale. Il primo livello è l’immagine: una fotografia o una scansione ad alta risoluzione, salvata in un formato di conservazione (TIFF) e in formati di consultazione più leggeri (JPEG). Il secondo livello è il testo, ottenuto con la trascrizione manuale o con il riconoscimento automatico dei caratteri (OCR, Optical Character Recognition), che funziona bene con la stampa moderna e meno con caratteri antichi o pagine rovinate. Per i manoscritti si usa oggi l’HTR (Handwritten Text Recognition), basato sull’apprendimento automatico, con piattaforme come Transkribus ed eScriptorium, che vengono addestrate su trascrizioni manuali di una certa scrittura. Il terzo livello è la codifica, che aggiunge struttura e interpretazione.

IIIF

Un passo importante degli ultimi anni è IIIF (International Image Interoperability Framework), un insieme di standard che permette di visualizzare, confrontare e annotare immagini di istituzioni diverse con lo stesso visualizzatore. Grazie a IIIF puoi mettere accanto, sullo schermo, due manoscritti della stessa opera conservati in biblioteche lontane, come la Biblioteca Vaticana e la British Library, senza scaricare i file. Per la filologia e la storia dell’arte è una piccola rivoluzione.

La conservazione digitale

Paradossalmente, i documenti digitali sono più fragili di quelli di carta: i supporti si deteriorano, i formati diventano obsoleti, i programmi scompaiono. Il problema della conservazione digitale (digital preservation) riguarda biblioteche, archivi e chiunque produca dati. Il modello di riferimento è OAIS (Open Archival Information System, standard ISO), che descrive le funzioni di un archivio digitale affidabile. Le strategie principali sono la migrazione (trasferire periodicamente i dati in formati e supporti aggiornati) e l’emulazione (riprodurre l’ambiente tecnico originale). Si parla anche di “dark age digitale” per indicare il rischio di perdere gran parte della memoria degli ultimi decenni.

L’analisi computazionale

Concordanze e frequenze

Lo strumento più antico dell’analisi testuale è la concordanza: l’elenco di tutte le occorrenze di una parola con il contesto. La forma tipica è il formato KWIC (Key Word In Context), in cui la parola cercata appare al centro di una riga, con alcune parole prima e dopo. Le liste di frequenza mostrano quante volte compare ogni parola; le collocazioni indicano quali parole tendono a comparire insieme. Strumenti come Voyant Tools, AntConc e TXM permettono di fare queste analisi senza programmare. Ti accorgerai presto che le parole più frequenti di ogni testo sono articoli, preposizioni, congiunzioni (le “parole vuote” o stopwords), e che per l’analisi del contenuto bisogna filtrarle; ma proprio le parole funzionali sono le più utili per la stilometria.

Costruire un corpus

Ogni analisi computazionale parte da un corpus, cioè una raccolta di testi selezionati secondo criteri espliciti. La costruzione del corpus è la fase più delicata, perché da essa dipendono tutti i risultati. Devi chiederti: quali testi includo e perché? Sono rappresentativi del fenomeno che voglio studiare? Da quali edizioni li prendo, e con quale qualità di trascrizione? Come tratto le varianti grafiche, la punteggiatura, le parti non testuali (note, titoli, indici)? Un corpus di romanzi dell’Ottocento costruito solo con i testi disponibili gratuitamente online, per esempio, rischia di rappresentare i gusti di chi li ha digitalizzati più che la produzione reale dell’epoca. I linguisti distinguono corpora bilanciati, costruiti per rappresentare una lingua in tutte le sue varietà, e corpora specialistici, dedicati a un autore, a un genere o a un periodo. Ogni corpus andrebbe accompagnato da una documentazione che ne spieghi i criteri: è una forma di onestà scientifica e permette ad altri di ripetere e verificare l’analisi.

Visualizzare i dati

I risultati delle analisi si presentano spesso in forma visiva: grafici di frequenza, nuvole di parole, mappe, grafi di reti, linee del tempo. Una buona visualizzazione permette di cogliere a colpo d’occhio una tendenza che le tabelle nascondono; una cattiva visualizzazione può ingannare. Le nuvole di parole, per esempio, sono molto popolari ma poco informative: la grandezza delle parole è difficile da confrontare e il contesto scompare. Quando presenti un grafico, spiega sempre che cosa rappresentano gli assi, da quali dati deriva e quali scelte hai fatto (per esempio se hai normalizzato le frequenze rispetto alla lunghezza dei testi). È qui che la critica di Johanna Drucker diventa una regola pratica.

Lemmatizzazione e annotazione

Per analizzare una lingua flessiva come il latino o l’italiano bisogna ricondurre le forme flesse al loro lemma (amavit, amabo, amor al verbo amo): è la lemmatizzazione, che Busa faceva a mano con le schede. Si aggiungono poi l’annotazione delle parti del discorso (part-of-speech tagging), l’analisi sintattica, il riconoscimento delle entità nominate (persone, luoghi, organizzazioni). Questi strumenti di trattamento automatico del linguaggio (in inglese natural language processing) sono sempre più precisi anche per le lingue antiche, grazie a corpora annotati come i treebank del latino e del greco.

Distant reading

Nel 2000 lo studioso italiano Franco Moretti, allora alla Columbia, propose il concetto di distant reading, “lettura a distanza”, in opposizione al close reading, la lettura ravvicinata tradizionale. Invece di leggere attentamente pochi testi canonici, si analizzano con metodi quantitativi migliaia di testi, la maggior parte dei quali nessuno legge più, per individuare tendenze, generi, cicli. Nei libri La letteratura vista da lontano e Distant Reading Moretti usa grafici, mappe e alberi per studiare la storia del romanzo. Il concetto ha suscitato un dibattito acceso: alcuni lo considerano una rivoluzione, altri una riduzione della letteratura a statistica.

Topic modeling e intelligenza artificiale

Tra le tecniche più usate ci sono il topic modeling, che individua automaticamente gruppi di parole che tendono a comparire insieme in un grande corpus (i “temi”), la sentiment analysis, che stima la polarità emotiva di un testo, e l’analisi delle reti di personaggi o di corrispondenti. Negli ultimi anni i modelli linguistici di grandi dimensioni (large language models) hanno aperto nuove possibilità, dalla trascrizione alla traduzione all’interrogazione di archivi, ma anche nuovi problemi: risultati non verificabili, errori presentati con sicurezza, pregiudizi dei dati di addestramento, questioni di diritto d’autore. Per un umanista la regola resta la stessa della filologia: ogni risultato va controllato sulle fonti.

Mappe e spazio

Un altro settore in crescita è quello dei sistemi informativi geografici (GIS), che permettono di collegare dati a coordinate geografiche e di rappresentarli su mappe. Si possono mappare i luoghi citati in un romanzo, i viaggi di un autore, la diffusione di un manoscritto, i luoghi di una guerra. Progetti come Pelagios collegano i luoghi del mondo antico attraverso identificatori comuni (come quelli del gazetteer Pleiades). Questo approccio, detto spatial humanities, è vicino alla geografia: puoi vedere gli appunti di Geografia.

Esempi di domande di ricerca

Per capire che cosa può fare l’informatica umanistica, è utile pensare a domande concrete. Uno storico può chiedersi come cambia nel tempo il lessico politico nei giornali italiani tra Otto e Novecento, analizzando milioni di pagine digitalizzate. Un filologo può confrontare automaticamente decine di testimoni di un’opera per individuare le famiglie di manoscritti. Un critico letterario può studiare come cambia la lunghezza delle frasi nei romanzi del Novecento, o quali personaggi parlano di più e con chi. Uno storico dell’arte può riconoscere con l’analisi delle immagini la mano di un pittore o la bottega da cui proviene un dipinto. Un archeologo può ricostruire in 3D un sito scomparso e verificare ipotesi sulla visibilità o sull’illuminazione degli ambienti. In tutti questi casi il computer non sostituisce l’interpretazione: permette di vedere fenomeni che a occhio nudo sarebbero invisibili, ma il senso di quei fenomeni va spiegato con le competenze della disciplina. È questo equilibrio tra metodi quantitativi e interpretazione qualitativa che rende l’informatica umanistica una materia davvero umanistica, e che il docente si aspetta tu sappia argomentare all’orale con almeno un esempio ben scelto.

Le questioni critiche

Accesso aperto e diritto d’autore

La cultura digitale pone questioni di accesso. Il movimento dell’open access, formalizzato dalla Dichiarazione di Berlino del 2003, chiede che i risultati della ricerca finanziata con fondi pubblici siano liberamente accessibili. Le licenze Creative Commons permettono agli autori di stabilire quali usi delle loro opere sono consentiti. Per i beni culturali, il dibattito riguarda la libera riproduzione delle immagini di opere di pubblico dominio, che in Italia è regolata dal Codice dei beni culturali. Il diritto d’autore, d’altra parte, limita la digitalizzazione delle opere recenti: per questo molte biblioteche digitali contengono soprattutto testi anteriori al Novecento, con il rischio di uno squilibrio nella ricerca.

Il digitale non è neutrale

Gli studiosi di informatica umanistica hanno insistito sul fatto che ogni rappresentazione digitale è un’interpretazione. Johanna Drucker ha osservato che i “dati” (data, “ciò che è dato”) sono in realtà sempre “presi”, costruiti, e ha proposto di chiamarli capta; ha criticato le visualizzazioni che presentano come oggettive informazioni frutto di scelte. Altri studiosi hanno mostrato come le collezioni digitali riflettano squilibri di potere: le lingue e le culture meno ricche sono meno digitalizzate, e gli algoritmi di intelligenza artificiale riproducono i pregiudizi dei dati con cui sono addestrati. Una parte delle digital humanities contemporanee si definisce perciò “critica” e si interroga su genere, colonialismo e disuguaglianze nel digitale.

Sostenibilità dei progetti

Un problema molto concreto è la sostenibilità: molti progetti digitali, finanziati per pochi anni, finiscono per diventare inaccessibili quando i fondi terminano o la tecnologia cambia. Per questo si raccomanda di usare standard aperti (come XML e TEI), di depositare i dati in archivi istituzionali, di documentare le scelte. È un tema che puoi richiamare all’orale discutendo qualsiasi progetto.

Un esercizio di codifica

Per capire davvero la codifica, prova questo esercizio con un testo breve, per esempio un sonetto. Prima di tutto scegli il testo di riferimento e annota da quale edizione lo prendi: andrà nell’intestazione, insieme al tuo nome come responsabile della codifica e ai criteri adottati. Poi decidi che cosa vuoi rappresentare: la struttura metrica (quattordici versi, due quartine e due terzine), i nomi propri, eventuali varianti. Crea un elemento radice, poi l’intestazione con titolo, autore e fonte, poi il corpo del testo. Racchiudi ogni strofa in un gruppo di versi e ogni verso in un elemento verso, numerandolo con un attributo. Marca i nomi di persona e di luogo. Infine controlla che il documento sia ben formato con un editor XML (come Oxygen, o uno gratuito) e, se hai uno schema TEI, che sia valido.

Fatto l’esercizio, chiediti: che cosa ho deciso di non rappresentare? La grafia originale, la punteggiatura dell’editore, le rime? Che cosa cambierebbe se codificassi un manoscritto invece di un’edizione moderna? Queste domande sono proprio quelle che il docente ti farà discutendo il progetto.

Il progetto d’esame

Molti corsi chiedono un piccolo progetto: la codifica TEI di un testo breve, una piccola edizione digitale, un’analisi con Voyant di un corpus, una mappa con un GIS, un database di schede. Il progetto non deve essere grande, ma deve essere coerente. Prepara una breve relazione che spieghi l’obiettivo, il testo o i dati scelti, le scelte di codifica o di analisi, gli strumenti usati, i risultati e i limiti. All’orale ti chiederanno soprattutto di motivare le scelte: perché hai marcato certe informazioni e non altre, perché hai usato quello strumento, che cosa i risultati ti dicono davvero. Un progetto modesto ma ben motivato vale più di uno ambizioso e confuso.

Come presentare il progetto all’orale

Quando presenti il progetto, segui un ordine semplice. Comincia dall’obiettivo, in una frase: che cosa volevi ottenere e perché. Poi descrivi i materiali: il testo o i dati, la loro provenienza, le loro caratteristiche. Spiega le scelte di metodo, mostrando che conosci le alternative e sai perché ne hai scartate alcune. Illustra i risultati con un esempio concreto, magari aprendo il file o mostrando un grafico. Chiudi con i limiti e con ciò che faresti se avessi più tempo: è il modo migliore per dimostrare consapevolezza critica. Se possibile, porta il progetto su un portatile o caricalo in uno spazio online, così da poterlo mostrare rapidamente. Prova la presentazione a voce alta almeno una volta, cronometrandoti: cinque minuti chiari valgono più di venti minuti confusi. Prepara anche una risposta breve alla domanda che arriva quasi sempre: come potresti estendere il progetto a un corpus più grande o a un altro tipo di fonte? Pensaci prima: una risposta concreta, che indichi strumenti, tempi e difficoltà prevedibili, mostra che hai davvero padronanza del lavoro svolto e delle sue possibili evoluzioni future, oltre i confini dell’esame stesso, per esempio in vista della tesi di laurea.

Come preparare l’esame

Il programma tipo

Il programma comprende di solito un manuale di informatica umanistica, alcuni articoli o capitoli su temi specifici (codifica, edizioni digitali, distant reading, metadati), le specifiche di base di XML e TEI, ed esercitazioni pratiche. In alcuni corsi c’è una prova scritta o pratica (codifica di un testo, domande a risposta breve) prima dell’orale.

Un piano in sei settimane

• Settimana 1: storia della disciplina, da Busa alle digital humanities.
• Settimana 2: fondamenti dell’informatica, bit, codifica dei caratteri, Unicode, formati.
• Settimana 3: linguaggi di marcatura, XML, ben formato e valido; primi esercizi.
• Settimana 4: TEI ed edizioni digitali; esercizio di codifica.
• Settimana 5: metadati, web semantico, biblioteche digitali, digitalizzazione, conservazione.
• Settimana 6: analisi computazionale, questioni critiche; preparazione del progetto e ripasso.

Errori da evitare

Non confondere HTML e XML: il primo ha etichette fisse orientate alla visualizzazione, il secondo è un metalinguaggio per definire etichette descrittive. Non confondere Internet e web. Non presentare il digitale come neutrale o oggettivo. Non dimenticare la storia: Busa, la TEI di Poughkeepsie, il web di Berners-Lee sono domande quasi sicure. E non sottovalutare la pratica: se il corso prevede esercizi, il docente si aspetta che tu sappia scrivere un piccolo documento XML.

Glossario rapido

• Bit / byte: unità minima di informazione / gruppo di otto bit.
• Unicode / UTF-8: standard universale dei caratteri / sua codifica più diffusa.
• Markup: marcatura, insieme di etichette inserite in un testo.
• XML: metalinguaggio di marcatura per dati strutturati.
• TEI: standard di codifica dei testi per le scienze umane.
• Metadati: dati che descrivono una risorsa.
• RDF / linked open data: modello a triple / dati aperti collegati sul web.
• OCR / HTR: riconoscimento automatico di testo stampato / manoscritto.
• Lemmatizzazione: riconduzione delle forme flesse al lemma.
• Distant reading: lettura quantitativa di grandi corpora.

Fonti e approfondimenti

Manuali e studi

• Fabio Ciotti, Gino Roncaglia, Il mondo digitale. Introduzione ai nuovi media, Laterza.
• Teresa Numerico, Domenico Fiormonte, Francesca Tomasi, L’umanista digitale, il Mulino.
• Susan Schreibman, Ray Siemens, John Unsworth (a cura di), A Companion to Digital Humanities, Blackwell.
• Franco Moretti, La letteratura vista da lontano, Einaudi.
• Elena Pierazzo, Digital Scholarly Editing, Ashgate.

Testi citati

Il passo di Tim Berners-Lee è tratto dalla conclusione della proposta Information Management: A Proposal (CERN, marzo 1989), controllata sulla versione pubblicata dal W3C. Le altre informazioni sono rese in parafrasi.

Per approfondire trovi gli appunti di Filologia digitale, Editoria multimediale e digitale di testi letterari, Elementi di storia del libro, Geografia, Linguistica generale e Metodologia della ricerca storica in età digitale.

← Torna all’indice degli esami