Corpora
Da alcuni anni, i corpora che ho creato insieme ai miei studenti o al mio gruppo di ricerca sono consultabili nella piattaforma Search-it. Italian native and learner corpora.
La piattaforma usa il software CQPWeb per l'interrogazione dei corpora, che sono tutti annotati per categoria grammaticale e lemmatizzati. Per accedere è solo necessario registrarsi, scegliendo uno username e una password e confermando l'iscrizione via mail.
Di seguito, un elenco dei corpora disponibili su Search-it. Maggiori informazioni sono contenute negli articoli di riferimento e nelle pagine di ciascun corpus, alla voce Corpus documentation.
Corpora di italiano
PEC24 - Perugia Corpus edizione 2024
Un corpus di riferimento dell'italiano scritto e parlato contemporaneo, che comprende 10 generi testuali diversi ed è formato da circa 47 milioni di token.
Spina, S., Zanda, F., & Fioravanti, I. (2025). From PEC to PEC24: a new reference corpus for Italian. Italiano LinguaDue, 17(1), 745–768. https://doi.org/10.54103/2037-3597/29101
COCI - Corpus della canzone italiana 1958-2022
Il corpus contiene i testi di 1468 tra le canzoni italiane di maggior successo nel periodo tra il 1958 e il 2022. È la tesi di laurea magistrale di Davide Coccia.
Coccia, D. (2023), «Ah beh, sì beh». I Segnali Discorsivi nella lingua della canzone italiana e nell'insegnamento dell'italiano L2, Tesi Magistrale UniStraPg, 2023.
CIP - Corpus pilota di italiano parlato
Il corpus contiene 30 conversazioni informali, annotate secondo criteri sociolinguistici.
Spina, S., Forti, L. & Zanda, F. (2020). Verso un corpus di riferimento dell’italiano parlato dialogico: il modello BNC2014. In Rivista italiana di dialettologia, XLIV(44), pp. 89-106.
PEC - Perugia Corpus
La versione precedente del PEC24, pubblicata nel 2014. Comprende 10 generi testuali diversi ed è formato da circa 26 milioni di token.
Spina, S. (2014). Il Perugia Corpus: una risorsa di riferimento per l’italiano. Composizione, annotazione e valutazione. In Roberto Basili, Alessandro Lenci, Bernardo Magnini (a cura di), Proceedings of the First Italian Conference on Computational Linguistics CLiC-it 2014, vol. 1, pp. 354-359.
Learner corpora di italiano
CELI - Corpus Certificati di Lingua Italiana
Un learner corpus scritto che comprende 3.041 testi prodotti agli esami di certificazione di italiano L2 CELI dallo stesso numero di apprendenti di livello B1, B2, C1 e C2.
Spina S., Fioravanti I., Forti L. Zanda F. (2023). The CELI corpus: Design and linguistic annotation of a new online learner corpus. In Second Language Research, 40(2), pp. 457-477.
LOCCLI - Longitudinal Corpus of Chinese Learners of Italian
Contiene 350 saggi scritti da 175 apprendenti cinesi di italiano L2, raccolti nel 2016. È un corpus longitudinale: i dati sono stati raccolti in due momenti diversi, dagli stessi 175 apprendenti, che hanno contribuito ciascuno con due saggi.
Spina, S., & Siyanova-Chanturia, A. (2018). The Longitudinal Corpus of Chinese Learners of Italian (LOCCLI). Poster presented at the 13th Teaching and Language Corpora conference, University of Cambridge, UK.
COLI - Corpus of Chinese Learners of Italian
È un corpus scritto e parlato che comprende produzioni in italiano di 30 apprendenti cinesi. L’autrice è Carmen Coli, che ha lavorato alla costituzione del corpus nell’ambito di un progetto POR Umbria, intitolato L’apprendimento dell’italiano L2 da parte di studenti sinofoni: raccolta di dati linguistici per un’indagine sulle strategie di apprendimento.
CAIL2 - Corpus di apprendenti di Italiano L2
È parte della tesi di Dottorato di Leontyna Bratankova Le collocazioni Verbo + Nome in apprendenti di italiano L2, discussa nell'aprile del 2015 all'Università per Stranieri di Perugia. Il corpus ha un'ampiezza di 237.000 token ed è costituito da 400 testi scritti da altrettanti studenti di italiano L2 a un livello intermedio-avanzato di competenza linguistica e con 33 L1 differenti.
Corpora didattici di italiano
ALMA A2
È una risorsa per la didattica dell'italiano L2, nata dalla collaborazione con la Casa Editrice Alma, che ha fornito i manuali e i racconti, tutti di livello A2, i cui testi compongono il corpus.
Fu, Z. & Spina, S. (2026). Il corpus didattico ALMA A2. Report informativo. https://tinyurl.com/4r93baz8