La Fundación Rut ha puesto en marcha un proyecto de investigación en colaboración con la Sociedad Geográfica Italiana para la construcción de un léxico computacional bilingüe somalí-italiano dedicado a la era de la expansión colonialista de Italia en África.

La primera fase del proyecto se centra en la extracción y sistematización de términos extraídos de los cuadernos escritos por el explorador Ugo Ferrandi. Los cuadernos constituyen una auténtica mina de información lingüística: para describir objetos, conceptos y fenómenos típicos de la cultura somalí, Ferrandi recoge una gran cantidad de términos indígenas, retratando así una fase antigua de la lengua somalí tal como la hablaban los pastores y los agricultores nómadas en el siglo XIX. Período precolonial, anterior a la llegada de las potencias europeas.

La primera fase del proyecto se centra en la extracción y sistematización de los términos relatados por Ferrandi en sus cuadernos. Cuando es posible, la descripción de las palabras se enriquece con información extraída del léxico somalí incorporado al Corpus somalí creado por Jama Musse Jama (2006). El corpus anotado y equilibrado (incluye textos tanto de poesía como de prosa literaria y científica) incorpora, de hecho, un léxico somalí con información lingüística relativa a las palabras presentes en el corpus, como frecuencia, colocaciones, etimología, sinónimos y antónimos, ortografía. variantes, definiciones extraídas de una lista de diccionarios de referencia, así como traducciones al inglés, italiano, francés y sueco.

Sin embargo, dado que el léxico del corpus está codificado en un formato propietario, la conexión con nuestro recurso termino-ontológico no puede realizarse sin la previa conversión del léxico del corpus al modelo Lemon. El proceso de conversión incluye una fase intermedia en la que se transforma el formato propietario al formato CONLL-U (Conference on Natural Language Learning. Fue Luego desarrolló una aplicación tecnológica para convertir automáticamente anotaciones lingüísticas en formato CoNLL en datos vinculados (modelo OntoLex-Lemon).

Este programa se aplicará al corpus somalí anotado para estructurar los términos de interés en una terminología computacional. Además, para permitir una fase inicial de anotación de los corpus de referencia del proyecto, se ha desarrollado una interfaz de usuario temporal, que también es útil para apoyar el proceso de definición de los requisitos del usuario que conducirá al desarrollo de la herramienta de anotación definitiva. Las tecnologías utilizadas son consistentes con lo que se espera para las siguientes fases de desarrollo. La herramienta permite a los estudiosos anotar un primer grupo de textos judíos con información léxica, tanto en su idioma original como en su traducción al italiano.