Indice del sito

Verso una nuova era: i linguaggi di codifica

L’orientamento prevalentemente matematico dei primi software e applicazioni dell’Informatica Umanistica hanno favorito la diffusione dell’idea che i calcolatori siano esclusivamente delle macchine capaci, nel contesto della ricerca storica, di eseguire complessi calcoli statistici su imponenti moli di dati.

Cliometria

E sebbene, accantonate le proprie pretese di esclusività scientifica, le metodologie di quantificazione supportate dall’utilizzo di database siano comunque entrate a pieno titolo nella cassetta degli attrezzi dello storico, a lungo è rimasto aperto il problema – ben più rilevante – di «come rispettare le caratteristiche della fonte nella sua integrità nel momento in cui si doveva costringerla nella camicia di Nesso di un programma rigidamente organizzato, e come stabilire collegamenti tra fonti diverse inerenti alla stessa ricerca»1.

Tra i rappresentanti più autorevoli della diffusa diffidenza nei confronti dell’uso del computer in analisi storiche Alessandro Pratesi, nel corso dell’ormai storica Table Ronde CNRS organizzata dall’École Française di Roma e dall’Istituto di Storia Medievale di Pisa, aveva infatti denunciato nel 1975 che risposte soddisfacenti da un trattamento improntato all’informatica delle fonti documentarie medievali, si sarebbero potute conseguire soltanto con una memorizzazione dei documenti in extenso; sulla stessa scia Ermanno Califano aveva sottolineato come l’alternativa tra full-text e immissione di dati significativi in un database rappresentasse una scelta fondamentale tra informazione globale e diretta ed informazione preselezionata da altri, senza possibilità di un raffronto immediato con il documento originario.

Il concetto è stato ribadito, negli anni Novanta, da Joacquim Carvalho: 

Con queste affermazioni i tre studiosi davano voce all’avvertita esigenza metodologica di rispettare la natura eminentemente contestuale dell’informazione contenuta nelle fonti storiche e, parallelamente, essere in grado di valutare il contesto di produzione del documento, senza tralasciare nessun elemento, nessun dato utile a confermare le ipotesi di ricerca proposte.

Queste velleità – lo ha sottolineato Robert Rowland – trovavano giustificazione nell’impossibilità, propria dello storico, di formulare ipotesi di lavoro se non dopo un’analisi preliminare dei dati2.

La tavola rotonda romana evidenziava dunque all’ordine del giorno la consapevolezza di come nell’approccio alle fonti storiche, sensibili al contesto e collegate le une alle altre, ogni informazione estratta e normalizzata in un database rischiasse di perdere elementi utili a renderla pienamente intellegibile e correttamente interpretabile e che un vero plus-valoredato dal trattamento informatico potesse essere raggiunto solo elaborando un modello di rappresentazione della fonte che consentisse l’utilizzo dei dati senza impoverirne o alterarne i molteplici significati, conservandone sfumature e ambivalenze.

L’approccio proposto dallo stesso Pratesi non chiedeva più al computer di reperire nei testi dati quantitativi da sottoporre ad elaborazione, ma piuttosto di esplorare le strutture informative in essi presenti, recuperarle, riorganizzarle e aggregarle secondo i punti di vista suggeriti dalle ipotesi di ricerca, attivando o evidenziando connessioni prima sconosciute o scarsamente evidenti ma – al contempo – mantenendone l’integrità.

Nell’utilizzo dei database il computer mostrava i quei limiti che le analisi storiche – finalizzate «all’interpretazione dell’insieme dell’insieme»– si proponevano di superare³.

La possibilità di acquisire e trattare un numero vastissimo di informazioni in un contesto di contiguità, riproducendo il rapporto dialettico tra lo storico e i suoi documenti, si è concretizzata, dagli anni Novanta in poi, nella codifica digitale: è attraverso questo termine che passa la possibilità di riprodurre in un formato leggibile dal computer una fonte storica senza perdere quelle funzionalità di efficiente ricerca e di elaborazione dei dati consentite da una gestione strutturata dell’informazione.

A livello zero, ogni testo informaticamente trascritto viene immediatamente codificato dalla macchina mediante una rappresentazione binaria (0 e 1) in formato ASCII o UNICODE.

La codifica binaria di una lettera alfabetica e la tabella ASCII

Il “dietro le quinte” di un testo formattato

Il testo inteso come sequenza di caratteri non coglie però che una piccola parte dell’informazione testuale, e le sue strutture profonde rimangono per lo più implicite e nascoste.

Il prodotto di una codifica di basso livello è cioè un surrogato, per di più parziale, dell’opera originaria, in cui si ha completa equivalenza solo dal punto di vista dei caratteri che lo compongono e nessun guadagno di informazione.

La codifica binaria dei caratteri non esaurisce i problemi di rappresentazione delle caratteristiche di un testo, che è oggetto complesso caratterizzato da molteplici livelli strutturali, non limitabili alla sequenza di simboli del sistema di scrittura: il dato codificato attraverso una semplice trasposizione binaria resta grezzo e non rappresenta una fonte esplicita di informazione.

Ad un livello superiore è invece possibile rappresentare il testo su supporto digitale in formato Machine Readable Form – utilizzabile dunque dall’elaboratore – razionalizzando le informazioni disponibili, classificandole e introducendovi attributi mediante un opportuno linguaggio teorico, il markup language, in grado di descrivere il documento in ogni sua parte attraverso l’apposizione di marche, ovvero stringhe di carattere delimitate da due parentesi uncinate.

Queste marche sono dette, in termini informatici, tag: si tratta, in sostanza, di metadati con funzione identificativa, contenuti all’interno di un documento e riconoscibili dal processore informatico ai fini di un trattamento informatico.

Una codifica di alto livello cioè, è in grado di arricchire il testo formalizzato al livello zero con informazioni relative alle sue dimensioni strutturali, organizzandole in strutture macrotestuali e rendendo esplicita qualsiasi interpretazione, anche di tipo linguistico, si voglia associare al testo.

Scopo di un linguaggio di codifica, i cui presupposti teorici sono ovviamente la teoria dell’informazione e della sua rappresentazione di Shannon, è dunque quello diidentificare le strutture e le relazioni intercorrenti tra i dati testuali di un documento, scomponendoli in elementi discreti e assegnando una struttura alla rappresentazione in grado di distinguere, nella sequenza di caratteri codificati, parti diverse con funzioni diverse, creando per questa via il presupposto per un corretto funzionamento degli strumenti di gestione e ricerca automatica sul corpus testuale.

Attraverso un linguaggio di marcatura l’informazione è scomponibile in dimensioni realmente minime: ad ogni livello, dal più elevato – ad esempio l’intero documento – al minore – il paragrafo, la frase, la parola, la singola lettera – è infatti possibile riconoscere e assegnare un valore semantico.

In questo senso anche il termine codice assume un significato diverso e, forse, più ampio: non solo strumento per trasferire informazioni da un sistema all’altro, da una lingua all’altra, ma complesso meccanismo che modella la (e si modella sulla) materia trattata.

Nell’affrontare le specifiche dei linguaggi di marcatura è però opportuno fornire alcuni chiarimenti, partendo dalla definizione canonica fornita da Gerard Genette, che per codifica ha inteso:

Il nodo centrale dell’enunciazione di Genette sembra essere, ovviamente, quello relativo all’introduzione dei metadati nella costruzione del testo codificato.

La letteratura in materia ha cercato, in modo finora insoddisfacente, ripetitivo e inutilmente sovrabbondante, di definirne i confini, la natura, le funzioni: di particolare rilevanza – ma non di altrettanta efficacia – ad esempio, lo sforzo prodigato in questi anni nel campo da parte di alcune comunità di pratiche, dai ricercatori in campo scientifico ai bibliotecari, che hanno condotto a un’ipotesi di classificazione non particolarmente felice ma ormai largamente utilizzata e tradotta nelle norme NISO 2004.

Di fatto, negli sviluppi implementativi, i metadati per la conservazione come informazioni necessarie per archiviare e conservare una risorsa al fine di  assicurarne  l’autenticità e la possibilità di riproduzione e ricostituzione, si limitano a identificare e gestire informazioni  di natura quasi esclusivamente tecnologica e sono comunque difficilmente riferibili a documenti digitali complessi.

Semplificando, si potrebbero comunque intendere i metadati come:

Incorporati all’interno del testo e denominati alternativamente codifica (encoding), marcatura (markup) e, con un brutto calco, taggatura (tagging), i metadati permettono di assegnare una struttura alla rappresentazione testuale distinguendo, nella sequenza dei caratteri codificati, parti diverse con funzioni diverse.

Si tratta, a ben vedere, di elementi metalinguistici che, interni al documento, raffigurano in qualche modo un’estensione dello stesso sistema descritto, un ampliamento delle risorse espressive del testo in funzione autoriflessiva, permettendo di esplicitare quegli elementi che altrimenti vi resterebbero impliciti.

I nodi concettuali di questa operazione sono allora:

Ma, ed è bene sottolinearlo, i termini stessi con cui la codifica viene realizzata tradiscono un’origine niente affatto innovativa.

Il markup èconcetto derivato dal gergo tipografico inglese, con cui ci si riferiva alle annotazioni che un editore apponeva in margine al testo per assistere il compositore nell’impaginazione del testo a stampa4, ed è presente a diversi livelli in ogni forma testuale: si pensi alla consuetudine, nella scrittura geroglifica egiziana, di evidenziare i nomi personali con un ovale o di colorare le frasi significative, o ai più comuni e diffusi marcatori dei moderni sistemi alfabetici, relativi alla spaziatura tra le parole, la punteggiatura, i segni diacritici, l’alternanza di lettere maiuscole e minuscole.

Rispetto alle convenzioni della scrittura però, il markup informatico si configura, più propriamente, come il frammento nascosto del linguaggio dell’oggetto, il metalinguaggio che lo descrive, la trascrizione diplomatica ad uso del computer⁵.

In questo senso è contemporaneamente parte del testo che dice qualcosa sul testo, un approccio strutturato che si pone tra il documento come fonte e la sua visualizzazione, consentendo la sua memorizzazione secondo logiche di formalizzazione assai più flessibili e sofisticate dei tradizionali sistemi di database.

Nell’ambito del markup, due sono le gradi categorie di riferimento:

Se si fa riferimento ad un programma, la prima idea è quella di fornire al computer, una dopo l’altra, una serie di istruzioni da eseguire, una serie di ordini dati sequenzialmente alla macchina che li esegue: una procedurainsomma.

La marcatura procedurale, dipendente dal sistema, associa infatti ad ogni elemento del documento il procedimento per visualizzarlo nella maniera voluta (carattere, dimensione, corsivi, grassetti, margini, interlinea).

Al contrario, un linguaggio dichiarativo non fornisce ordini al calcolatore, ma glieli spiega, riferendo qual è il problema da risolvere, quali sono le caratteristiche della situazione, quali sono gli elementi coinvolti e come possono essere modificati.

Un linguaggio dichiarativo cioè, descrive, dichiara i dati del problema: al computer è demandato il compito di analizzarlo e dedurre la risposta da dare.

Per assolvere questo compito, il markup dichiarativo si fonda sul ruolo di ogni elemento all’interno del testo e in questo senso è indipendente dal sistema ma contestuale, perché in grado di specificare le regole di correttezza dei documenti codificati.

Il progenitore dei linguaggi di marcatura dichiarativa è SGML (Standard Generalized Markup Language), un metasistema di codifica nato con lo scopo di stabilire i costrutti sintattici e semantici di un linguaggio di markup finalizzato alla creazione, manipolazione e gestione di documenti elettronici non legati ad una determinata architettura hardware o software. Ideato da Charles Goldfarb nel 1974 e consolidatosi dalla metà degli anni Ottanta, SGML rappresenta il risultato di oltre vent’anni di sforzi profusi per la standardizzazione di un meccanismo generale di definizione di stili di marcatura diversi, traendo origine dallo GML (Generalized Markup Language) già avviato nel 1969 nei laboratori IBM con lo scopo di supportare l’elaborazione informatica di documentazione legale, tecnica e amministrativa.

Il linguaggio elaborato dall’IBM, introduceva il concetto di “tipo di documento” come classe con precise regole di struttura e formattazione, definibili attraverso uno schema di marcatura.

Goldfarb vi aggiunse un sistema di collegamento tramite riferimenti semantici e l’idea di unificare gli ordini di impaginazione di un testo superando l’inconveniente dell’esistenza di molteplici linguaggi, ciascuno con una sua sintassi, legati ai diversi programmi di impaginazione automatica in uso (le famiglie dei troff, LaText).

Secondo le sue direttive, SGML era rivolto agli editori e agli organi amministrativi, venendo incontro all’esigenza di conservare le informazioni contenute non nel testo in sé ma nella sua disposizione, e la possibilità di supportare lo scambio e la trasmissione di documenti tra enti e gruppi senza perdita di informazioni rilevanti.

Ma è stato a partire dalla creazione di SGML che il markup descrittivo ha assunto un notevole interesse anche per la comunità scientifica, offrendo una base per affrontare efficacemente i problemi di rappresentazione informatica del materiale testuale e documentario attraverso la definizione di raccomandazioni per la creazione dei testi in Machine Readable Form.

La complessità della struttura sintattica proposta da SGML ne hanno resa ardua un’effettiva implementazione.

Lo standard ha però costituito la base sintattica attraverso cui,alla fine degli anni Ottanta, Tim Berners-Lee ha sviluppato l’HTML (Hyper Text Markup Language) che dal 1991 fonda la struttura portante del sistema internet, il World Wide Web.

Sfruttando il concetto di tag, ogni elemento da visualizzare nella pagina in linguaggio HTML è infatti rappresentato da una struttura comprendente un’etichetta iniziale, al cui interno sono inseriti nomi e attributi, seguita da un ulteriore contenuto e da un marcatore finale. La semplicità della tecnologia proposta da Berners-Lee, sebbene inizialmente gli standard e i protocolli abbiano supportato esclusivamente la gestione di pagine .html statiche, ha avuto un grande successo, sia in campo accademico che in quello commerciale, dando inizio a quella che oggi viene chiamata l’era del Web.

Ma come linguaggio di marcatura finalizzato a supportare l’editoria digitale HTML ha mostrato fin da subito evidenti segni di debolezza, a causa del tipo di codifica implementato, di natura procedurale piuttosto che dichiarativa, in cui le istruzioni di marcatura sono tipografiche e stilistiche, limitandosi a segnalare all’editor dove e come i testi e i loro segmenti, le immagini, i collegamenti, debbano disporsi sulla pagina elettronica.

I limiti principali dell’HTML nel campo della ricerca storica sono inoltre legati alla strutturale incapacità di questo linguaggio di fornire un’adeguata rappresentazione dell’informazione, alla sua immodificabilità e chiusura, alla scarsa articolazione interna e, in ultima analisi, ad una sintassi poco potente, incapace di descrivere fenomeni testuali complessi.

Dagli ostacoli di natura rappresentazionale sono derivati, conseguentemente, forti limiti operativi: la ristretta consistenza strutturale ha infatti ostacolato la creazione automatica e dinamica di indici e sommari, costringendo ad esempio i motori di ricerca a riferire come esito un documento intero (la pagina .html) e non l’informazione richiesta, rendendo dunque difficoltoso e poco significativo il retrieval.

paragrafo precedente paragrafo successivo