Per far sì che TaLTaC² sia in grado di:

·      riconoscere i diversi frammenti in cui il corpus può essere suddiviso;

·      attribuire a ciascun frammento i rispettivi valori delle variabili;

·      individuare le eventuali sezioni di ogni frammento (per tutti e tre i punti si faccia riferimento alla sezione La gestione del testo e delle variabili categoriali associate: il modello generale di Corpus)

L'inizio di ogni frammento deve essere contrassegnato dalle righe in grassetto (la formattazione presente nell'esempio ha solo uno scopo espositivo e non è necessaria ai fini dell'analisi in TaLTaC²), dette righe di identificazione del frammento. Ognuna di queste righe deve iniziare con quattro asterischi (****) eventualmente seguiti da una descrizione numerica o alfanumerica (che costituirà il "nome" del frammento").

Nel caso vi siano variabili da associare ai vari frammenti, queste vanno indicate a seguire sulla medesima riga mediante la sintassi:

*NomeVariabile=ValoreVariabile

L'asterisco (*) iniziale, in realtà, non fa parte del nome della variabile, bensì serve ad indicare a TaLTaC² che ciò che segue deve considerarsi una variabile. Il nome della variabile NomeVariabile non deve contenere spazi, punti, virgole, apici o asterischi, né i simboli di operatore algebrico +, -, / (addizione, sottrazione, divisione), mentre il valore/modalità (numerico o alfanumerico) della variabile può contenere qualsiasi carattere (spazi inclusi) eccetto l'asterisco. Nell'esempio proposto le variabili si chiamano "testata" e "mese" e, per il primo frammento, possiedono rispettivamente il valore "repubblica" e "gennaio".

ATTENZIONE: Non ha senso inserire una variabile con centinaia di modalità differenti, in quanto ogni suo valore deve dar luogo ad una parte della partizione e quindi deve essere abbastanza consistente (nel senso di raggruppare un certo numero di frammenti aventi tutti lo stesso valore della variabile). In Taltac una variabile è prevista con 99 modalità al massimo. Salvo casi particolari, si sconsiglia di usare variabili con decine di modalità.

La riga di identificazione del frammento, deve terminare con un "a capo" (il simbolo in Word di Windows), nel senso che il testo vero e proprio del frammento (formattato in corsivo nell'esempio) non deve essere il proseguimento di questa riga, altrimenti si otterrà un errore durante l'elaborazione. TaLTaC² interpreterà, infatti, il contenuto di questa riga come metadati associati al testo, e non come testo vero e proprio, per cui nel vocabolario di questo esempio non compariranno, ad esempio, le parole <articolo1> o <febbraio>.

Se in un frammento sono presenti più sezioni, ciascuna sezione deve essere preceduta da una riga (detta riga di identificazione della sezione) che deve iniziare con quattro più (++++) seguiti, senza spazi interposti, dal nome della sezione. Anche questa riga non verrà interpretata, come è giusto che sia, come testo vero e proprio, ma come metadato per cui dovrà anch'essa terminare con un "a capo".

A questo punto potrà figurare il testo della sezione, che potrà essere disposto su quante righe si vuole.

Come si può osservare dall'esempio, la sezione "Sezione1" è presente 2 volte nello stesso frammento ed in punti diversi dello stesso: questa è una situazione non ammessa (in pratica la riga di identificazione di una sezione può essere presente al massimo una volta per ogni frammento);

·      tutti i frammenti devono contenere tutte le variabili. Nel caso non sia possibile attribuire un valore ad una variabile per uno o più frammenti, occorre comunque inserire il nome della variabile nella riga di identificazione del frammento e, a destra del simbolo di uguale (=), si dovrà porre un valore che esplicitamente dichiara la non presenza di alcun valore (ad esempio "nullo" oppure "non disponibile"). Nell'esempio di prima un frammento potrebbe avere la seguente riga di identificazione:

****articolo4 *testata=corsera *mese=nullo

Quella appena descritta è la situazione di massima complessità che un corpus può assumere. Nei fatti è possibile che si verifichi che (e TaLTaC² ammette questi casi senza problemi):

·      uno o più frammenti NON contengano una o più sezioni;

·      tutti i frammenti del corpus non abbiano alcuna variabile associata;

·      tutti i frammenti del corpus non presentino sezioni. In questo caso è come se il frammento fosse costituito da un'unica sezione e non è necessario inserire la riga di identificazione della sezione. Ad esempio:

Si noti sia l'assenza di sezioni che di variabili associate ai frammenti.

·      il corpus non sia frammentato. Nel caso non si abbia interesse, o non si abbia la possibilità, di suddividere il corpus in frammenti, rimane comunque aperta la possibilità di effettuare l'analisi generale di un testo. Ovviamente alcune delle funzionalità del programma (analisi delle specificità, calcolo degli indici di dispersione ed uso, creazione di variabili ricavate dal testo ecc.) risulteranno impossibili o fortemente limitate. Per un corpus non frammentato non occorre inserire alcuna riga di identificazione di frammento o sezione, per cui si può procedere all'importazione del file senza alcun trattamento;

·      nel caso si abbiano corpus con frammenti suddivisi in sezioni, non è necessario che tutti i frammenti presentino tutte le sezioni, ovvero alcuni frammenti possono non contenere alcune sezioni. Nell'esempio che segue, il Frammento2 manca della Sezione2 e questa è una situazione perfettamente lecita e ammessa da TaLTaC²:

Nel caso in cui il corpus sia costituito da un numero limitato di frammenti (20-30), suddivisi a loro volta in poche sezioni, e che ad ogni frammento siano associate poche variabili, la scrittura manuale, da parte dell'utente, delle varie righe di identificazione di frammento e di sezione è un'operazione senz'altro fattibile in tempi limitati.

Nella situazione opposta, ossia con elevate numerosità di frammenti, sezioni e variabili, l'inserimento manuale di tutti gli identificatori necessari sarebbe estremamente oneroso. A questo scopo, TaLTaC² mette a disposizione alcune funzionalità che permettono di generare il corpus nel formato finora descritto in maniera automatica a partire da una collezione di file o da un file strutturato in campi.