MODELLING AND VISUALIZING TEXTUAL DATA

Il corso di Modelling and Visualizing Textual Data fa parte della laurea magistrale in Digital and Public Humanities e si collega alle attività del Venice Centre for Digital and Public Humanities (VeDPH) del Dipartimento di Studi Umanistici. Il corso introduce studentesse e studenti ai principali problemi teorici e pratici della modellizzazione e visualizzazione dei dati testuali, con particolare attenzione ai testi letterari. A partire da un corpus di pubblico dominio centrato su Joseph Conrad e su "Heart of Darkness", il percorso mostra come un testo possa essere descritto, codificato, annotato, trasformato in dati, analizzato quantitativamente e interrogato attraverso strumenti computazionali. Particolare attenzione sarà dedicata al rapporto tra modelli espliciti, modelli statistici e sistemi di intelligenza artificiale.

Al termine del corso, studentesse e studenti avranno acquisito una conoscenza critica dei principali modi in cui i testi letterari possono essere modellizzati in ambiente digitale. Sapranno progettare e documentare semplici modelli di dati, distinguere tra diverse forme di rappresentazione testuale (metadati, tabelle, markup, annotazioni semantiche, reti, corpus, output computazionali) e valutare l’adeguatezza di ciascuna rispetto all’obiettivo dell’analisi. Le attività pratiche consentiranno di sperimentare strumenti per l’analisi e la visualizzazione testuale, introdotti in modo guidato e senza presupporre competenze pregresse di programmazione. Il corso permetterà inoltre di discutere criticamente i risultati prodotti da metodi computazionali e sistemi di IA, riconoscendone potenzialità, limiti, errori, opacità e bias. Una parte rilevante sarà infine dedicata alla documentazione del lavoro svolto e alla riproducibilità delle analisi.

Il corso è collocato al secondo anno della laurea magistrale in Digital and Public Humanities e riprende alcuni concetti e strumenti introdotti nel percorso formativo, in particolare XML/TEI, formati e strutture di dati come CSV e JSON, e l’ambiente dei notebook Jupyter. La familiarità con questi elementi è utile, ma non costituisce un requisito rigido: le studentesse e gli studenti provenienti da altri percorsi potranno recuperare le basi necessarie attraverso materiali introduttivi e attività guidate. Non è richiesta una competenza avanzata di programmazione. È invece richiesta la disponibilità a interpretare criticamente i risultati delle analisi e a documentare le scelte di modellizzazione.

Il corso introduce il concetto di modello e la pratica della modellizzazione e visualizzazione di dati testuali letterari nelle Digital Humanities. Il percorso segue il passaggio da modelli espliciti e direttamente documentabili a modelli statistici, basati su apprendimento automatico e generativi, nei quali le procedure diventano progressivamente meno trasparenti e più difficili da ispezionare. A partire da questo percorso, le lezioni invitano a chiedersi quali scelte interpretative e tecniche siano incorporate nei diversi modelli, che cosa essi rendano visibile, che cosa semplifichino e in quali punti possano fallire. Il testo principale sarà "Heart of Darkness" di Joseph Conrad, che studentesse e studenti leggeranno integralmente. Il testo sarà affiancato da un piccolo corpus di opere di Conrad di pubblico dominio.

Il percorso attraversa: dati e metadati, progettazione di dataset e uso di formati tabellari come CSV; modelli formali ed edizione scientifica digitale, con particolare attenzione a XML/TEI; costruzione e analisi di un corpus; distant reading e analisi quantitativa; annotazione semantica, RDF, ontologie e Linked Data; modellizzazione di luoghi, tempi ed entità; uso guidato di notebook Jupyter per il trattamento del testo, il riconoscimento di entità, gli embeddings, la classificazione e il topic modelling. La parte finale sarà dedicata all’intelligenza artificiale come trasformazione delle pratiche di modellizzazione: generazione automatica, opacità, bias, allucinazioni, valutazione dei risultati, documentazione e responsabilità scientifica. Tra i temi ricorrenti vi saranno l’operazionalizzazione, la modellizzazione di dati spaziali e temporali, le strutture di dati, le ontologie e la costruzione di flussi di lavoro riproducibili. Metodi e procedure saranno sempre presentati in relazione a problemi interpretativi e metodologici.

Saranno affrontati in particolare i seguenti temi:

* concetto di modello, modellizzazione e operazionalizzazione;
* dati, metadati, dataset e strutture tabellari;
* formati e strutture di dati, con attenzione a CSV e JSON;
* markup, XML/TEI e modellizzazione dell’edizione scientifica digitale;
* costruzione e analisi di un corpus letterario;
* distant reading, analisi quantitativa e visualizzazione dei dati testuali;
* modellizzazione di dati spaziali e temporali;
* annotazione semantica, RDF, ontologie e Linked Data;
* uso guidato di notebook Jupyter per il trattamento del testo, il riconoscimento di entità, gli embeddings, la classificazione e il topic modelling;
* uso critico dell’intelligenza artificiale per l’analisi testuale, con attenzione a generazione automatica, opacità, bias, allucinazioni, valutazione dei risultati e documentazione;
* costruzione di flussi di lavoro riproducibili basati su testi e dati di pubblico dominio.

Alle studentesse e agli studenti è richiesto di svolgere esercizi di modellizzazione e analisi testuale e di documentare le scelte compiute.

Testo letterario primario:
- Joseph Conrad, “Heart of Darkness” (in volume, 1902). La lettura integrale del testo è richiesta. Studentesse e studenti potranno utilizzare un’edizione inglese completa dell’opera, anche reperita attraverso biblioteche digitali e servizi di prestito digitale, come Open Library. Per le attività computazionali sarà utilizzata un’edizione di pubblico dominio resa disponibile tramite Moodle. Durante le lezioni la docente farà riferimento a un’edizione critica dell’opera, in particolare la Norton Critical Edition a cura di Paul B. Armstrong (5ª ed., 2016), come supporto per il commento testuale, storico e interpretativo.

Testi teorici e metodologici di riferimento:
- A. Ciula, Ø. Eide, C. Marras, P. Sahle, "Modelling Between Digital and Humanities. Thinking in Practice", Open Book Publishers 2023. DOI: https://doi.org/10.11647/OBP.0369
- Franco Moretti, “Operationalizing”: Or, the Function of Measurement in Modern Literary Theory, Stanford Literary Lab Pamphlet 6, December 2013, https://litlab.stanford.edu/pamphlets/

Ulteriori letture su modellizzazione, analisi di corpus, Linked Data, intelligenza artificiale e documentazione dei dati saranno rese disponibili tramite Moodle durante il corso. I materiali potranno includere articoli, capitoli, notebook, dataset di esempio e risorse digitali di pubblico dominio.

La verifica dell’apprendimento si svolge attraverso una prova orale, accompagnata dalla discussione di un portfolio di modellizzazione obbligatorio per tutte le studentesse e tutti gli studenti. Il portfolio raccoglie un numero limitato di esercizi e artefatti prodotti a partire dai materiali del corso, che saranno disponibili su Moodle e potranno essere svolti anche in autonomia da chi non frequenta le lezioni. Gli esercizi potranno includere, ad esempio, una tabella di metadati, una codifica o annotazione, una breve analisi quantitativa, un esercizio svolto in notebook, una valutazione critica di un risultato generato da un sistema di IA e una scheda di documentazione del modello o del dataset utilizzato.
Il portfolio non richiede competenze avanzate di programmazione. Sarà valutato soprattutto per la chiarezza dell’impostazione, la coerenza tra metodo e materiale analizzato, la qualità della documentazione, la capacità di interpretare criticamente i risultati e l’attenzione ai limiti delle procedure utilizzate.
Durante l’esame orale, studentesse e studenti discuteranno i concetti principali del corso, i testi e i materiali in programma, e il lavoro svolto nel portfolio. Sarà inoltre possibile presentare un progetto esteso facoltativo, dedicato a una specifica questione di modellizzazione o analisi testuale.

orale

Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.

La valutazione finale terrà conto della prova orale, del portfolio di modellizzazione e dell’eventuale progetto esteso facoltativo. I voti saranno attribuiti secondo i seguenti criteri:

18-22: conoscenza essenziale dei contenuti del corso; capacità limitata ma sufficiente di descrivere metodi, materiali e risultati; portfolio completo nei suoi elementi minimi, ma con documentazione parziale o interpretazione poco sviluppata.
23-26: buona conoscenza dei principali concetti e metodi; capacità di discutere in modo corretto il lavoro svolto; portfolio ordinato, con scelte metodologiche riconoscibili e una discreta interpretazione dei risultati.
27-29: conoscenza solida e articolata dei contenuti; buona capacità di collegare teoria, metodi e casi di studio; portfolio ben documentato, con analisi coerenti e attenzione critica ai limiti delle procedure utilizzate.
30-30 e lode: conoscenza completa e approfondita dei temi del corso; capacità di discussione autonoma e critica; portfolio molto ben costruito, con documentazione accurata, consapevolezza metodologica, interpretazione convincente dei risultati e capacità di riflettere sui problemi teorici e scientifici della modellizzazione.

Il corso combina lezioni frontali, discussione seminariale, analisi di casi di studio ed esercitazioni guidate. Le lezioni introdurranno i principali concetti teorici e metodologici della modellizzazione dei dati testuali, mentre le attività pratiche saranno dedicate alla costruzione, analisi, visualizzazione e documentazione di semplici modelli applicati a testi letterari.

Le esercitazioni utilizzeranno materiali messi a disposizione su Moodle, un piccolo corpus di lavoro, strumenti per l’analisi testuale e notebook Jupyter. Le attività computazionali saranno introdotte progressivamente e accompagnate da istruzioni, esempi e materiali di supporto. Particolare attenzione sarà dedicata alla documentazione delle scelte compiute, alla riproducibilità dei flussi di lavoro e alla discussione critica dei risultati ottenuti.

I materiali del corso, le indicazioni per il portfolio e le risorse di supporto saranno disponibili su Moodle, in modo da consentire anche a studentesse e studenti non frequentanti di seguire il percorso e preparare la prova finale.

Tutti i materiali del corso, le istruzioni per il portfolio, i testi di lavoro, i notebook e le eventuali letture integrative saranno resi disponibili tramite Moodle. Le studentesse e gli studenti non frequentanti sono invitati a consultare regolarmente la piattaforma e a seguire le indicazioni fornite per la preparazione del portfolio e dell’esame orale. L'uso di strumenti di intelligenza artificiale nelle attività del corso dovrà essere dichiarato e documentato. Tali strumenti potranno essere oggetto di analisi critica, ma non sostituiscono il lavoro interpretativo, metodologico e documentale richiesto.

Accessibilità, Disabilità e Inclusione.
Accomodamenti e servizi di supporto per studenti con disabilità o con disturbi specifici dell’apprendimento:
Ca’ Foscari applica la Legge Italiana (Legge 17/1999; Legge 170/2010) per i servizi di supporto e di accomodamento disponibili agli studenti con disabilità o con disturbi specifici dell’apprendimento. Se hai una disabilità motoria, visiva, dell’udito o altre disabilità (Legge 17/1999) o un disturbo specifico dell’apprendimento (Legge 170/2010) e richiedi supporto (assistenza in aula, ausili tecnologici per lo svolgimento di esami o esami individualizzati, materiale in formato accessibile, recupero appunti, tutorato specialistico a supporto dello studio, interpreti o altro) contatta l’ufficio Disabilità e DSA disabilita@unive.it

Questo insegnamento tratta argomenti connessi alla macroarea "Capitale umano, salute, educazione" e concorre alla realizzazione dei relativi obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile