Il confronto con un lessico di frequenza consente di estrarre l’informazione peculiare del corpus, utilizzando le risorse statistico-linguistiche esogene di TaLTaC².

Confrontando la frequenza relativa con cui le parole compaiono nel lessico di frequenza e nel testo in analisi è possibile ottenere una misura di significatività (scarto standardizzato), che indica la misura della sovra o sotto-rappresentazione della forma nel testo. Naturalmente tanto più lo scarto ha un valore elevato tanto più la forma può essere considerata peculiare e quindi caratterizzante il testo (Cfr. Bolasco, 1999, pag. 223).

Il calcolo dello scarto standardizzato consente di individuare le forme con i maggiori scarti d'uso in valore assoluto, vale a dire le parole chiave del testo, che, risultando rappresentate in misura significativa rispetto a quanto lo sono generalmente nel linguaggio di riferimento, sono da considerarsi come le più significative del corpus in esame.

NOTA: Sono statisticamente significative le forme il cui scarto presenta un valore maggiore di 3,84, valore del X² con 1 grado di libertà e p-value=0,05.

Lo scarto va calcolato fra informazioni omogenee: nella fattispecie, può essere calcolato sul campo dell'uso, delle occorrenze o del rango. Lo scarto sul rango è opportuno quando si vuole rappresentare la differenza fra parole con il metodo delle coordinate parallele di Wegman (1990).

Per individuare il linguaggio peculiare di un vocabolario espresso in forme grafiche è necessario ricorrere a una lista di frequenza espressa in forme grafiche, poiché questa contiene tutte le possibili forme flesse e non esclusivamente i lemmi, come avviene nel caso dei lessici di frequenza.

Pertanto, se si vuole procedere all'estrazione del linguaggio peculiare nelle prime fasi di analisi del testo (prima cioè che siano state eseguite eventuali operazioni di lemmatizzazione che renderebbero consigliabile il ricorso a un lessico di frequenza) è opportuno utilizzare come liste di frequenza d'uso quelle relative all'italiano standard o al linguaggio comune della stampa.

Se é stata ottenuta la lista di fusione di tutti i verbi non ambigui (che approssima la graduatoria di tutti i verbi, utilizzati nel testo, espressi secondo il lemma, vedi opzione Fusioni del Menù Calcola) è possibile effettuare il confronto tra questa lista e liste di frequenza dei verbi non ambigui dei corpus del linguaggio standard o quello della stampa.

La lista dei verbi può essere in realtà confrontata anche con altri lessici, ma il confronto con l'italiano standard o il linguaggio comune deve considerarsi più corretto perché presenta lo stesso tasso di ambiguità.

Per i dettagli sulla procedura di estrazione del linguaggio peculiare con TaLTaC² cliccare qui.