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 package | Corpus | Cosa abbiamo consegnato |
|---|---|---|
| WP3 | Corpus Juris Canonici | Correzione del dataset e un proof of concept di segmentazione del layout |
| WP5 | Libri arabi a stampa | Image Tagger, un'applicazione web per l'annotazione dell'OCR |
| WP6 | Video · leggende | Pipeline Plorabunt · OCR di Sanctuaria |
| WP7 | Bolle papali | 1.162 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.