La Fondazione Rut ha avviato un progetto di ricerca in collaborazione con la Società Geografica Italiana per la costruzione di un lessico computazionale bilingue somalo-italiano dedicato all’epoca dell’espansione colonialista dell’Italia in Africa.

La prima fase del progetto si sta concentrando sull’estrazione e sulla sistematizzazione dei termini tratti dai taccuini redatti dall’esploratore Ugo Ferrandi. I taccuini costituiscono una vera e propria miniera di informazione linguistica: per descrivere oggetti, concetti e fenomeni propri della cultura somala Ferrandi riporta una pletora di termini indigeni, ritraendo così una fase antica della lingua somala così come era parlata da pastori e agricoltori nomadi in epoca precoloniale, prima dell’avvento delle potenze europee.

La prima fase del progetto si sta concentrando sull’estrazione e sulla sistematizzazione dei termini riportati dal Ferrandi nei suoi taccuini. Quando possibile, la descrizione delle parole viene arricchita con informazioni tratte dal lessico somalo incorporato nel Somali Corpus realizzato da Jama Musse Jama (2006). Il corpus annotato e bilanciato (comprende testi sia della poesia sia della prosa letteraria e scientifica) incorpora, infatti, un lessico somalo con informazioni linguistiche relative alle parole presenti nel corpus, quali frequenza, collocazioni, etimologia, sinonimi e contrari, varianti ortografiche, definizioni tratte da un elenco di dizionari di riferimento nonché traduzioni in inglese, italiano, francese e svedese.

Tuttavia, poiché il lessico del corpus è codificato in un formato proprietario, il collegamento con la nostra risorsa termino-ontologica non può essere effettuato senza la precedente conversione del lessico del corpus nel modello lemon. Il processo di conversione prevede una fase intermedia in cui il formato proprietario viene trasformato nel formato CONLL-U (Conference on Natural Language Learning). È stato quindi sviluppato un applicativo tecnologico per convertire automaticamente annotazioni linguistiche in formato CoNLL in linked data (modello OntoLex – Lemon). Tale programma sarà applicato al corpus annotato del somalo per strutturare i termini di interesse in una terminologia computazionale.

Per consentire una prima fase di annotazione dei corpora di riferimento del progetto, inoltre, è stata sviluppata un’interfaccia utente temporanea, utile anche a supportare il processo di definizione dei requisiti utente che porterà allo sviluppo dello strumento di annotazione definitivo. Le tecnologie in uso sono coerenti con quanto previsto per le fasi successive di sviluppo. Il tool consente agli studiosi di annotare con informazioni lessicali un primo gruppo di testi ebraici, sia sulla loro parte in lingua originale che su quella in traduzione italiana.