Andrea Angiolini + Prof. Fabio Vitali (Casa editrice Il Mulino) Da quasi 10 anni il Mulino ha strutturato il proprio processo di produzione, formalizzando workflow di metadati e file e definendo ruoli per gli attori della catena editoriale. Lo scopo principale era e resta conservare la produzione dei libri, rendendola riutilizzabile perché basata su standard. Questo ci ha permesso tra l'altro di realizzare successivamente nuovi contenuti e servizi per la ricerca e lo studio, nei quali le interfacce d’uso sono centrali. Fabio Vitali è Professore all’Università di Bologna, Dipartimento di Informatica, Scienza e Ingegneria ed è attualmente il coordinatore del corso di studi di Informatica. Si definisce un data designer e ha contribuito alla progettazione di linguaggi e metalinguaggi per la descrizione di domini, come XML Schema per il W3C e Akoma Ntoso per OASIS. I suoi interessi scientifici si rivolgono principalmente alla definizione e all’uso di formati documentali per ogni tipo di applicazione, ed in particolare all’utilizzo di linguaggi dichiarativi per caratterizzare applicazioni software in genere che trattino dati e documenti. https://www.unibo.it/sitoweb/fabio.vitali/cv

1. Il Mulino
A ciascuno il suo: archi, frecce e
interfacce per servizi editoriali B2B e
B2C
IA Summit - Dall’ascolto alla progettazione - 24 ottobre 2015

2. Trattare i testi:
strutture, dati, metadati
Fabio Vitali
Università di Bologna

3. • Dati
– Una quantificazione dell'informazione perchè
possa essere manipolata dai computer
• Strutture dati
– L'organizzazione del dato in modo da rendere il
dato comprensibile e manipolabile
• Collezioni di dati
– Grandi quantità di dati connessi e più o meno
omogenei, la cui manipolazione rappresenta in
realtà l'obiettivo reale delle applicazioni

4. Dati
• Record
– Strutture che descrivono entità elencandone le
proprietà
• Tabelle
– Collezioni di dati descritte come elenchi di record
omogenei tra loro
• Alberi
– Gerarchie di dati o di collezioni
• Grafi
– Reti di strutture informative più o meno
strettamente interconnesse

5. E i testi?
• I testi sono difficili.
• I testi preesistono ai dati che contengono, ma
contengono dati potenzialmente interessanti.
• Non sono dati strutturati. Non sono collezioni.
• Non sono neanche organizzati in record,
tabelle, alberi, grafi.

6. I testi
• I testi hanno ordine
– Ne "Nel mezzo del cammin di nostra vita", è
importante che "Nel" venga prima di "mezzo"
• I testi hanno struttura
– Cantiche, canti, terzine, versi
– Scene e transizioni
– Periodi, proposizioni, soggetti, predicati, complementi
• I testi hanno parti di rilevanza diversa
– A seconda dell'uso che se ne vuole fare e
dell'applicazione che li prende in considerazione

7. I testi
• Per la teoria del markup i testi sono alberi
ordinati ed etichettati.
– Una cosa molto più complessa da gestire di un
albero. Ad esempio JSON non ce la fa.
• Una cosa tipica e peculiare dei testi è la
coesistenza di strutture che contengono sia
frammenti di testo sia altre sottostrutture.
– Questo viene chiamato Contenuto Misto, ed è
difficile da gestire con strutture dati semplici.

8. Tecnologie per le strutture dati
• Tabelle relazionali
• JSON
• XML
• HTML5
• RDF

9. Energia / Informazione
Perchè è interessante XML?

10. RDF per i testi
• In principio si può esprimere qualunque cosa con RDF,
incluso i testi e le relazioni tra frammenti di un testo.
• Ma RDF richiede che uno esprima tutte le relazioni esistenti
tra testi in maniera esplicita:
– Le sequenze di caratteri
– Il meccanismo di contenimento
– L'identificazione di caratterizzazioni semantiche particolari.
• Esistono ontologie per esprimere queste relazioni. Ad
esempio Earmark (2008).
• Sono complete e funzionano benissimo. Ma belle non sono.
http://www.essepuntato.it/2008/12/earmark

11. Va bene XML, ma quale?
La situazione nel 2006 è complessa:
• XHTML per il web
• DocBook per l'editoria
• Text Encoding Initiative per i testi letterari
• I formati interni di OpenOffice e MS Word
Servono tutti, e sono tutti diversi. Eppure i testi
sono gli stessi.
E' possibile identificare delle regolarità sfruttabili?

12. I design pattern
• Una delle più importanti innovazioni multi-
culturali degli ultimi vent'anni.
• Scoperti (inventati?) da un architetto, Cristopher
Alexander, alla fine degli anni 70, ed utilizzati in
architettura, urbanistica e informatica.
• "Forme riutilizzabili di soluzioni a problemi di
design"
– Modelli di soluzione applicabili a problemi
apparentemente diversissimi ma sotto-sotto simili

13. Regolarità
nel design dei documenti
• Esistono delle regolarità in come sono stati
progettati questi modelli di documenti?
• E' possibile ricondurre tutte queste diversità
in un modello comune e comprensibile che
faciliti la conversione e la riespressione di
documenti da un formato all'altro?
• Esistono dei pattern strutturali condivisi da
tutti questi formati che noi possiamo scovare
e istituzionalizzare in un linguaggio comune?

14. Verso una teoria dei pattern
Ci sono due fenomeni da valutare:
– Cosa può contenere un elemento (il content model)
– Dove può essere posto un elemento (il context)
Il content model determina
– Se un elemento può contenere testo o no
– Se un elemento può contenere altri elementi o no

15. Pattern di content model
Non può
contenere testo
Può contenere
testo
Non può
contenere
elementi
Elemento vuoto
Marker
Contiene solo testo
Flat
Può contenere
elementi
Contiene solo
elementi
Bucket
Contiene sia
elementi sia testo
Mixed

16. Pattern di contesto
Marker Flat Bucket Mixed
Marker - - - -
Flat - - - -
Bucket Meta Field Container Block
Mixed Milestone Atom Popup Inline

17. Verso una teoria dei pattern
• Con un semplice calcolo combinatorio,
abbiamo scoperto che "servono" solo otto tipi
di elementi, e che con questi otto riusciamo a
gestire tutte le situazioni che si presentano
nella progettazione dei documenti.
• Ma quante grammatiche XML sono
compatibili con la teoria dei pattern?
Zero

18. Una scoperta interessante
• Le grammatiche dei linguaggi sono molto più aperte
e flessibili dei documenti che vi si basano
concretamente.
• Le regolarità, se esistono, esistono nei documenti, e
non nelle loro grammatiche
• I pattern non esistono a livello di grammatica (di
DTD, o di XML Schema, o di Relax NG), ma a livello
di istanza (i documenti XML veri e propri).
• Più del 90% per cento dei documenti che abbiamo
considerato era concretamente aderente ai pattern,
anche se la grammatica non lo è.

19. Ad esempio
Questi sono frammenti HTML corretti secondo la
grammatica del linguaggio:
<body>
Un po' di testo.
<p>Un paragrafo</p>
</body>
oppure:
<p>testo e a seguire <table> <tr>
<td>una tabella</td> </tr> </table>
</p>
Ma in realtà sono rarissimi nei documenti veri. Gli autori si
accorgono dell'incongruenza e li evitano (per lo più).

20. Intermediate Markup Language
• Un primo esperimento di linguaggi basati su
pattern (2006)
• Una semplificazione radicale di HTML
• Creiamo una sottogrammatica di HTML
compatibile coi pattern
• Ogni documento IML è un documento HTML, ma
molto ma molto più regolare.
– Nessuna eccezione
– Nessun caso strano
– Pienamente espressivo

21. Intermediate Markup Language
• La creazione di un formato basato su pattern
ci ha permesso di creare strumenti di
conversione automatica da e per formati più
noti
– Da MS Word a IML
– Da IML a DocBook
– Da IML a HTML
– Da IML a PDF

22. E ora RASH
• Da allora abbiamo imparato molte cose, e
alcune si sono semplificate.
– Abbiamo imparato dell'importanza dei metadati
– Abbiamo imparato dell'importanza dell'embedding di
statement semantici all'interno dei documenti
– OOXML è molto più controllato e semplice del primo
XML di MS Word
– XHTML è diventato HTML5, per certi versi più
semplice.
http://cs.unibo.it/save-sd/rash

23. Research Articles in Simplified HTML
http://cs.unibo.it/save-sd/rash
• Proposto nel 2014 alla comunità del Semantic Publishing.
• Pensato prevalentemente per l'editoria scientifica e
accademica
• Un formato HTML5 molto semplificato (25 elementi)
• Contiene la possibilità di aggiungere annotazioni RDF in
RDFa oppure Turtle oppure JSON-LD
– Totalmente compatibile con gli standard LOD
– Facilmente visualizzabile su qualunque browser
– Facilmente convertibile in qualunque formato editoriale
– Numerose conferenze scientifiche ammettono sottomissioni di
paper in RASH

24. SPAR Ontologies
http://www.sparontologies.net/
• Un modello di descrizione del processo
editoriale (soprattutto di quello accademico)
molto apprezzato nell'editoria scientifica
• Otto ontologie per descrivere dalla natura alla
struttura dei documenti allo step del processo
editoriale in cui esistono, ecc.
• Grande attenzione al modello citazionale
sottostante, criterio fondamentale per la
valutazione della qualità della ricerca