READ-IT di ItaliaNLP Lab: gli strumenti di linguistica computazionale per la leggibilità del diritto

La disciplina della linguistica computazionale ha come ambito di studio proprio l’utilizzo dell’informatica per analizzare la lingua con l’obiettivo di estrarre informazioni (data mining) e riconoscere le sfumature dei significati, ovvero le tecniche di NLP (Natural Language Processing). Per farlo, la linguistica computazionale si avvale dei corpora, ampi documenti che attestano determinati usi linguistici, come articoli di giornale, testi pubblicati, trasmissioni trascritte e altre tipologie di testo, a condizione che siano “leggibili dalla macchina” (machine-readable). I progressi della tecnologia consentono di raccogliere e consultare corpora sempre più grandi, con una mole di testi sempre maggiore, permettendo una diversificazione linguistica che altrimenti non sarebbe possibile. Questo processo è stato semplificato ancor di più con l’avvento del web, che viene considerato da alcuni un grande corpus. I dati del corpus sono essenziali perché, senza di essi, gli approcci all’NLP basati sull’apprendimento automatico non potrebbero funzionare.

Il trattamento automatico del linguaggio parte dalla segmentazione di un testo elettronico, detta tokenizzazione, in cui ogni unità viene definita token. Solitamente, le unità sono divise da uno spazio. Per alcune lingue, come l’italiano, queste unità corrispondono generalmente alla singola parola; in altre (ad esempio il tedesco, dove le parole sono spesso composte) è necessario apportare un’ulteriore divisione, quindi uno spazio aggiuntivo. Una volta suddiviso il testo in token, si passa alla fase di codificazione, nella quale il tool riconosce l’identità dell’elemento aggiungendo informazioni linguistiche. Questo processo serve ad addestrare gli algoritmi automatizzati di machine learning al fine di produrre testi ex novo. Esempi di codificazione sono la disambiguazione delle parole o le referenze. Le recenti e più raffinate tecniche di trattamento automatico del linguaggio permettono di sviluppare strumenti di scrittura automatizzata, evitando errori ortografici e sintattici.

I sistemi di NLP possono essere impiegati in vari processi, come l’estrazione di informazioni a partire dai testi, i riassunti, l’estrazione di significato dei termini, l’identificazione di diversi concetti e il cosiddetto web mining. Non solo, si applicano anche per la sentiment analysis e l’opinion mining dei consumatori e dei cittadini da parte di aziende e politici. Molte di queste applicazioni si rivelano utili in vari ambiti, da quello medico a quello legale. I corpora fungono da standard di riferimento di una lingua e offrono un ampio spettro di rappresentatività di quel codice. In quest’ottica sono particolarmente preziosi i corpora specialistici, ovvero quei corpus verticali focalizzati su uno specifico dominio linguistico settoriale.

Le tecnologie basate sul Natural Language Processing permettono di acquisire le informazioni linguistiche, le occorrenze e i significati del contesto di questi corpora settoriali, ed acquisire una maggiore consapevolezza delle LSP (Language for Special Purposes). Tra i linguaggi settoriali, quello giuridico è intrinsecamente connesso al linguaggio naturale e presenta una sintassi molto più complessa e una semantica ambigua. L’Istituto di Linguistica Computazionale “Antonio Zampolli” (ILC) del CNR di Pisa ha dato vita ad ItaliaNLP Lab, un laboratorio che applica i modelli di NLP alla lingua italiana. Tra le varie iniziative di indagine e di analisi linguistica su testi appartenenti a domini diversi, il laboratorio ha dedicato particolare attenzione alla comprensione dei testi giuridici e alla loro leggibilità.

Il sistema di estrazione di informazioni dell’istituto ha addestrato gli strumenti su articoli di giornale e testi normativi e amministrativi con un approccio contrastivo tra linguaggio ordinario e linguaggio giuridico. In questo modo è stato possibile annotare e acquisire le informazioni di questo dominio allo scopo di creare un’ontologia strutturata, utile per le intelligenze artificiali. Un’ontologia della semantica giuridica aiuta anche nel processo legislativo, sia nazionale che europeo, permettendo maggiore accessibilità, come dimostra il progetto europeo DALOS, che supporta il drafting legislativo a livello multi linguistico.

Oltre agli ambiti di applicazione più avanzati di traduzione automatica e redazione di testi giuridici complessi utili nel mondo legale, la linguistica computazionale presenta notevoli spunti per la redazione legislativa. Grazie agli strumenti di NLP è possibile analizzare la leggibilità dei testi giuridici, offrendo un quadro sulla comprensione di questo linguaggio e aprendo alla possibilità di un miglioramento della leggibilità in fase di drafting.