Work in Progress · Sul banco di lavoro

Quello che stiamo costruendo.

Prototipi, studi e idee a stadi diversi. Qui mostriamo dove stanno andando, più che come funzionano. Se uno di questi vi interessa, come partner, sede pilota o investitori, ci piacerebbe sentirvi.

In evidenza · In corso · Digital Maktaba · Collezioni in scrittura araba

Dalla scansione al catalogo

من المسح الضوئي إلى الفهرس

Leggere, comprendere e catalogare le biblioteche in scrittura araba.

Un'unica catena per un'intera biblioteca. Modelli OCR che addestriamo sui frontespizi in scrittura araba, poi sul corpo del testo; modelli visione-linguaggio e grandi modelli linguistici che leggono la pagina e ne estraggono conoscenza e metadati; e, in cima, suggerimenti di catalogazione. L'obiettivo: strumenti per catalogare grandi volumi di testi digitalizzati.

Ogni valore del record proposto dice da dove viene: la pagina su cui è stato letto, o il record del catalogo aperto che lo ha confermato, corretto o completato. L'ultima parola spetta al bibliotecario.

La ricerca alla base

Il frontespizio di Itḥāf al-akābir (Hyderabad, 1910) accanto a ciò che vi è stato letto e a ciò che conferma il record della Library of Congress

Dai pixel ai campi

Lo strumento di annotazione: a sinistra un frontespizio con i blocchi OCR riquadrati, a destra l'elenco dei segmenti riconosciuti con le loro etichette
Un'etichetta per ogni blocco. Nel nostro strumento di annotazione ogni segmento OCR di un frontespizio viene riquadrato sull'immagine ed etichettato con il suo ruolo: titolo, autore, contributore, editore, data, volume, rumore. Migliaia di pagine annotate così sono la ground truth dei dataset Digital Maktaba.
Segmentazione in righe di una pagina araba a stampa: ogni riga in un riquadro, con la linea di base in arancione
Ogni riga al suo posto. La segmentazione in righe di una pagina araba a stampa, il primo passo dell'OCR che addestriamo: ogni riga riquadrata, ogni linea di base tracciata.
Il frontespizio di Tārīkh madīnat al-salām con i blocchi colorati per ruolo: titolo, autore, relazione, data, contributore, editore, rumore
Un nome per ogni campo. Lo stesso frontespizio, colorato per ruolo. I riquadri blu sottili sono i segmenti OCR, quelli colorati i campi che servono al catalogatore.

Cosa fa

La scheda di un libro con il suo esito: edizione identificata nella Library of Congress, e i valori corretti, aggiunti, confermati o solo letti
Vedere cosa è cambiato. Per ogni libro, i valori corretti da un catalogo, quelli aggiunti, quelli confermati e quelli di cui può rispondere solo la pagina.
Soggetto e classificazione della Library of Congress aggiunti dal record di catalogo
Ottenere ciò che la pagina non dice. Soggetti, classificazione e identificativi arrivano dal record di catalogo corrispondente, ciascuno con il suo link.
OCR · VLM · LLM كتاب الأغاني TITOLOAUTORELUOGOANNO FrontespizioTestoMetadatiRecord
Un'unica catena. Dal frontespizio al testo, dal testo ai metadati, dai metadati a un record pronto per la revisione.

Lavori di ricerca da questo progetto

Questo lavoro nasce dal progetto Digital Maktaba, con l'Università di Modena e Reggio Emilia e la Biblioteca Giorgio La Pira di Palermo: dataset, benchmark e strumenti pubblicati e sottoposti a peer review dal 2021.

Tutte le pubblicazioni
  1. TPDL 2026 · in uscitaBenchmarking Extraction on Arabic Title Pages: From Traditional OCR to Vision Language Models
  2. TPDL 2025 · SpringerDM-LP: A Large Arabic Script Languages Dataset for OCR and Cataloguing Research ↗
  3. Umanistica DigitaleThe “Digital Maktaba LP”: Proposing a Comprehensive Dataset for Arabic Script OCR Title Pages in the Context of Digital Libraries and Religious Archives ↗
  4. IRCDL 2026 · CEUR-WS 4240The Codes Talk: Automated Extraction and Normalization of ISBNs for Metadata Integration ↗
  5. DigItalia 20Alfabeto arabo e OCR open source: un’analisi grafica e linguistica dei risultati di elaborazione per il recupero di dati catalografici ↗
  6. The Digital Turn in Religious Studies · V&RThe Digital Maktaba platform: a tool for semi-automatic document cataloguing and searching ↗

Il prossimo passo · Prototipo di ricerca

Verso una biblioteca digitale agentica

Il prossimo passo è una biblioteca che lavora accanto ai suoi bibliotecari. Un agente legge le prime pagine di ogni volume, consulta da solo i cataloghi aperti e gli archivi di autorità, propone un record arricchito e conserva la traccia completa di ciò che ha consultato e del perché. Catalogare una grande collezione digitalizzata diventa un lavoro di revisione, non di ribattitura.

  1. Leggeil frontespizio e le pagine vicine, in scrittura araba, scegliendo la copia più leggibile di ogni dato.
  2. Cercanei cataloghi aperti e negli archivi di autorità, come la Library of Congress, Open Library e Internet Archive.
  3. Proponeun record arricchito in cui ogni campo cita la sua pagina o la sua fonte, da far validare al bibliotecario.

In evidenza · Stadio embrionale · Arabo, italiano, inglese

Arabo Matematico

العربية الرياضية

Stadio embrionale · un'idea che prende forma, non ancora un prodotto

Ogni radice araba che potrebbe esistere, e le poche che non dovrebbero.

Arabo Matematico è un dizionario collaborativo delle radici arabe registrate dai lessicografi nel tempo, nelle diverse fasi della storia della lingua. Messe a confronto, mostrano come le radici dell'arabo sono state usate, come sono cambiate e come la mappa stessa delle radici in uso si è spostata da un'epoca all'altra. Arabo Matematico dà a questo cambiamento una forma visiva e descrive il potenziale della lingua: le radici che ha usato e quelle che potrebbe ancora usare.

Segue lo studio del lessico arabo dai lessicografi classici alla linguistica computazionale, dove la ricerca linguistica e le Digital Humanities si incontrano, cercando il legame tra il calcolo matematico e le radici dell'arabo. È pensato per essere interamente collaborativo e per servire allo stesso modo ricercatori e studenti.

La schermata principale di Arabo Matematico: una radice, le sue permutazioni e i lessici classici

Cosa ci si può fare

Lo spazio delle radici come matrici, un pannello per ogni prima letteraLo stesso spazio delle radici come cubo in tre dimensioni
Vedere l'intero spazio. Tutte le radici possibili insieme: come matrici, una per ogni prima lettera, o come un cubo da ruotare in tre dimensioni.
Le sei permutazioni della radice k-t-b
Rigirare una radice. Le permutazioni di ogni radice, come Khalīl ibn Aḥmad ordinò il suo dizionario dodici secoli fa.
Il verbo kataba generato dalla sua radice e dal suo schema
Giocare con gli schemi. Guardare una radice scorrere negli schemi morfologici (awzān) che la trasformano in verbi, nomi e aggettivi.

Per la ricerca

Per linguisti e digital humanist: le radici raccolte dai lessicografi, fase per fase, in un unico spazio che si può calcolare, confrontare ed esplorare, sempre ricondotto alle sue fonti. Un modo per seguire come la lingua è cresciuta, cosa ha scelto di usare e cosa ha lasciato da parte, come lo studio del lessico è passato dai dizionari classici alla linguistica computazionale, e dove matematica e morfologia si incontrano.

Per la didattica

Una radice condensa un campo semantico, e gli schemi morfologici la trasformano in parole. Gli studenti che lo vedono smettono di imparare il lessico parola per parola: imparano a costruire le parole applicando gli schemi alle radici. Arabo Matematico rende visibile questo meccanismo, in uno strumento abbastanza semplice per la classe.

In evidenza · Studio di valutazione · Editori, biblioteche, archivi

(Re-)editor Assistant

Libri scansionati che tornano file modificabili, note comprese.

Un OCR comune restituisce un muro di testo e butta via l'apparato scientifico. Il (Re-)editor Assistant trasforma libri, riviste e documenti d'archivio scansionati in documenti strutturati e modificabili, in cui ogni nota a piè di pagina resta legata al suo richiamo: note native in Word, note collegate in PDF, Markdown e XML.

Il (Re-)editor Assistant: un documento entra come PDF, TIFF o cartella di immagini

Cosa fa

Formati di uscita: Markdown, XML, Word e PDF, ciascuno con note collegate
Scegliere i formati. Word con note native, PDF con note collegate, Markdown e XML, in un unico download. Le scritture da destra a sinistra, come l'arabo e l'ebraico, vengono impaginate nella loro direzione.
Preparazione della pagina: divisione delle doppie pagine, rifilo di bordi e margini
Preparare la pagina. Dividere le doppie pagine, eliminare testatine, piè di pagina e margini, alternare la piega sulle pagine affiancate e controllare ogni ritaglio in un'anteprima dal vivo.
123123
Conservare l'apparato. I richiami restano legati alle loro note: in Word si clicca un richiamo e si arriva alla nota, e viceversa.

Per gli editori

Ripubblicare titoli di catalogo e fuori commercio senza ribatterli: un file Word modificabile con note funzionanti, pronto per la correzione e una nuova composizione, con l'apparato critico delle edizioni scientifiche intatto.

Per biblioteche, archivi e ricercatori

Collezioni eterogenee e multilingui, pagine singole e doppie, trasformate in testo ricercabile, citabile e riutilizzabile.

Sul banco di lavoro

Altri cinque progetti tra il laboratorio e il mercato. Alcuni diventeranno servizi, altri articoli, la maggior parte entrambe le cose.

  • 245 كتاب العين 880 Kitāb al-ʿAyn 020 978–•••–••••–• OPAC · SBN

    Validazione esternaCatalogazione · Scritture non latine

    Le scritture non latine nel catalogo nazionale

    Titoli non latini che si trovano nella loro scrittura e in traslitterazione.

    Record in scritture non latine nel catalogo bibliotecario nazionale italiano, traslitterati secondo le regole e verificati sui principali cataloghi internazionali, perché un lettore possa trovarli in entrambe le scritture. I test sono partiti dall'arabo e si stanno estendendo ad altre scritture; lo stesso metodo si adatta al catalogo, allo standard di traslitterazione e alle scritture di ciascun cliente.

  • StoriaDirittoLetteraturaScienze

    PilotaCatalogazione · IA

    Una biblioteca che si ordina da sola

    Soggetti per ogni collezione, dal frontespizio allo scaffale.

    Assegnare ai libri, in qualsiasi lingua, i soggetti della classificazione che la biblioteca già usa, generale o specialistica, e restituire record pronti per il catalogo. Il primo pilota lavora su libri arabi con lo schema di una biblioteca di ricerca per gli studi islamici; l'approccio si adatta a ogni biblioteca, collezione e classificazione.

  • قرآن 12 × IT 1882 → 2010 188219131914192919551967197919861989199319942010

    Pubblicato · Islam in History 2026Traduzione · IA · NLP

    Famiglie di traduzioni del Corano in italiano

    Dodici Corani italiani, 150 anni di traduzioni, una sinossi.

    Una sinossi curata da esperti allinea, versetto per versetto, le traduzioni italiane complete del Corano dal 1882 al 2010: un dataset verificato che l'italiano non aveva mai avuto. Su questa base, metodi di intelligenza artificiale individuano quali traduzioni formano famiglie e condividono affinità stilistiche e semantiche, dove le edizioni più antiche si discostano, e come singole parole arabe come raḥma, taqwā o fitna vengono rese in italiano. L'approccio è modulare e indipendente dalla lingua, pronto per altre lingue e altri testi sacri.

    Leggi l'articolo su Islam in History, 4/1 (2026) ↗
  • ḤadīthTalmudPatres

    Progettazione del corpusValutazione dell'IA · Scienze religiose

    Quando l'IA non vuole leggere le scritture

    Misurare il rifiuto eccessivo sui testi sacri.

    Uno studioso che chiede di un ḥadīth sulla guerra o di un passo talmudico sulla pena sta facendo storia, eppure i modelli di IA spesso rifiutano o addolciscono la risposta. Stiamo costruendo un corpus parallelo tra le tre tradizioni monoteiste per misurare quando, dove e in quale lingua succede.

  • 14,19 · IUDITH τοὺς χιτῶναςGKτοὺςχιτῶναςαὐτῶνδιέρρηξανCconscid.×vestimentasuaIscider.×tunicassuasVscider.omnesvestimentasua

    Ground truth in corsoEdizioni critiche · OCR

    Vetus Latina, cella per cella

    La più antica Bibbia latina, letta come l'hanno stampata i suoi editori.

    Le edizioni critiche sinottiche impilano sulla stessa pagina il greco, diverse linee latine e le loro varianti. Le stiamo trasformando in dati allineati e strutturati che conservano ogni scelta editoriale: in queste pagine un'omissione non è uno spazio vuoto.

Partner, pilota o investitore.

Ogni progetto di questa pagina è aperto alla collaborazione: una biblioteca che vuole fare da sede pilota, un editore con un catalogo, una fondazione o un investitore che vede dove può arrivare. Diteci quale vi ha colpito.