← Tutti gli articoli

Progettimar 20266 min di lettura

Cinque work package per le lingue antiche: appunti da ITSERR

Diritto canonico latino, OCR arabo, leggende agiografiche, bolle papali e una pipeline per i video. Nell'ambito di ITSERR, Mem ha realizzato cinque work package su corpora latini e arabi per l'Università di Modena e Reggio Emilia.

A cura del team Mem.srl

Il contesto

ITSERR (Italian Strengthening of the ESFRI RI Resilience) è un progetto finanziato dal PNRR che rafforza il nodo italiano di RESILIENCE, l'infrastruttura di ricerca europea per le scienze religiose. Il nostro contratto con UNIMORE si è svolto a marzo 2026 e comprendeva due lotti, uno per il latino e uno per l'arabo.

Work packageCorpusCosa abbiamo consegnato
WP3Corpus Juris CanoniciCorrezione del dataset e un proof of concept di segmentazione del layout
WP5Libri arabi a stampaImage Tagger, un'applicazione web per l'annotazione dell'OCR
WP6Video · leggendePipeline Plorabunt · OCR di Sanctuaria
WP7Bolle papali1.162 pagine digitalizzate e confrontate tra edizioni

Latino: diritto canonico e bolle

Per il Corpus Juris Canonici abbiamo confrontato il dataset esistente con l'edizione critica di Friedberg (Lipsia, 1879–1881), annotando e correggendo le discrepanze nel Decretum Gratiani e nel Liber Extra. In parallelo abbiamo addestrato con fine-tuning un modello YOLOv8m-seg su 172 pagine annotate del Liber Extra, esportate in ALTO XML, per riconoscere automaticamente le regioni del layout.

Le bolle papali hanno chiesto un'attenzione diversa: 1.162 pagine digitalizzate, poi un confronto sinottico delle trascrizioni nelle edizioni MGH, CCO ed EFR.

Unire il rigore accademico all'innovazione computazionale: un ponte tra la tradizione degli studi e il futuro digitale.

Mem.srl, missione

Arabo: etichettare l'OCR

L'OCR sulla stampa araba vale quanto ciò che si riesce a verificare. Image Tagger permette a un annotatore di disegnare riquadri su una pagina, collegare ogni segmento di Google Vision AI alla sua area e classificarlo, salvando direttamente nei fogli di calcolo di origine. Così sono state verificate più di 1.900 immagini.

Leggende e video

Sanctuaria comprende 40 leggende agiografiche sulla fondazione dei santuari, da volumi italiani a stampa dal XVI all'inizio del XVIII secolo, trascritte con Transkribus e Google Gemini e poi riviste a mano. Plorabunt è una pipeline automatica: da 227 righe di origine con un link video (187 URL unici) scarica, trascrive con Whisper e arricchisce i metadati con Mistral.

Cosa ci portiamo a casa

Ogni work package ha affiancato a un modello un controllo umano: un'edizione con cui confrontarsi, un annotatore che conferma un riquadro, un revisore che legge una leggenda. È questo abbinamento che portiamo in ogni progetto, e il codice di questo lavoro è sul nostro GitHub.

OCRLatinoAraboAnalisi del layoutLLM