Com’è noto, nella ricerca qualitativa non è possibile individuare un unico percorso d’indagine, tuttavia alcuni passi di una strategia d’analisi assumono un carattere generale.

La strategia tipo che può essere condotta con TaLTaC² inizia con la Creazione di una sessione di lavoro, ovvero il file che andrà a contenere tutti i materiali dell'analisi che si intende effettuare. Procede quindi con la definizione del Corpus oggetto di analisi, seguita da un pre-trattamento del testo (Normalizzazione) volto ad eliminare le possibili fonti di sdoppiamento del dato (ad esempio abbassando le maiuscole non rilevanti), uniformando la grafia dei nomi propri, delle sigle, dei numeri e delle date che generalmente comportano una scarsa stabilità e ad individuare espressioni di senso compiuto o locuzioni utili a disambiguare fin dall'inizio occorrenze di parole composte molto frequenti (es. 'dato di fatto', 'Unione Europea', 'mercato nero').

Successivamente è possibile visualizzare ed analizzare il vocabolario del Corpus ed effettuarne alcune misurazioni lessicometriche.

È anche possibile individuare sequenze di parole, ovvero ciò che in letteratura è conosciuto sotto il nome di segmenti ripetuti. Dalla loro lista è possibile visualizzare i segmenti più significativi grazie all’indice IS. Inoltre è possibile selezionare un insieme di segmenti da lessicalizzare, per trasformare nel testo le sequenze di interesse in forme grafiche semplici. In questo modo, ad esempio, “capo dello stato” diventa un'unica "parola" con un contenuto semantico superiore rispetto alle parole semplici che lo compongono.

TaLTaC² dispone al suo interno di risorse linguistiche che consentono di aggiungere accanto alle forme del vocabolario informazioni di tipo grammaticale e semantico. Queste meta-informazioni si sfruttano utilizzando le funzioni di annotazione ed etichettatura (tagging).

La procedura di tagging grammaticale confronta il vocabolario del corpus con il dizionario di TaLTaC², costituito da circa 74.000 lemmi, pari a oltre 530.000 forme flesse. In questo modo è possibile etichettare grammaticalmente le forme grafiche presenti nel vocabolario. La procedura di tagging non effettua una lemmatizzazione completa del corpus, ma si limita ad attribuire alle forme non ambigue la categoria grammaticale, il lemma e le caratteristiche morfologiche. Generalmente, se si escludono le parole vuote molto frequenti nel testo (e, di, che), le procedure di tagging grammaticale consentono di riconoscere fino al 66% delle occorrenze del corpus. Per le forme ambigue TaLTaC² fornisce comunque l'elenco di tutte le possibili categorie grammaticali di appartenenza, i lemmi a cui possono essere riferite e le relative caratteristiche morfologiche. Successivamente ad un’analisi delle concordanze, il ricercatore può decidere di assegnare una determinata categoria grammaticale alle occorrenze della forma in questione. Poichè la scelta è unica, essa dovrà essere condotta sulla base della prevalenza (nel corpus) di una certa categoria grammaticale rispetto ad un altra (p.es. più sostantivi che aggettivi o viceversa). Attualmente, infatti, il programma non consente di specificare una distinzione grammaticale tra le diverse occorrenze di una stessa forma.

Dalla versione 2.5, il programma consente di seguire una diversa procedura di tagging grammaticale “ereditando” una lemmatizzazione completa effettuata all’esterno con un altro software, risolvendo in tal modo i problemi di disambiguazione, ma introducendo un certo tasso di errore nella attribuzione della categoria grammaticale di cui occorrerà tener conto.

ATTENZIONE: tutte le fasi di TaLTaC² che non dipendono dal tagging grammaticale, sono indipendenti dalla lingua, per cui è possibile di fatto analizzare testi in inglese, così come in qualsiasi altra lingua.

Il tagging semantico può essere effettuato grazie alla definizione di dizionari tematici predisposti dall'utente anche tramite le funzionalità messe a disposizione da TaLTaC² stesso (vedi la nozione di metalista, presente nella versione 2.5). Fra le risorse semantiche già disponibili, un dizionario di circa 6000 forme flesse di aggettivi classificati come positivi o negativi (Bolasco, della Ratta; 2004). Il confronto tra il vocabolario del corpus e questo dizionario consente di apprezzare la tonalità negativa o positiva del corpus. In generale, il tagging semantico permette di predisporre la cosiddetta analisi per concetti i quali, una volta definiti sul vocabolario –ossia a livello lessicale-, possono essere ricercati nel testo, ossia a livello testuale.

Una delle funzioni essenziali di TaLTaC² è l’estrazione di informazione significativa del Corpus, in una logica tipica del Text Mining. Tale estrazione si ottiene utilizzando risorse endogene o risorse esogene rispetto al testo in analisi.

Le risorse endogene sono determinate dalla quantità di frammenti e dalle variabili categoriali che è possibile associare al testo, grazie alle quali è possibile partizionare il corpus, ovvero suddividerlo in senso logico. E’ possibile individuare le parole specifiche (linguaggio caratteristico) delle varie parti o sub-testi attraverso l’analisi delle specificità (si pensi al caso di analisi di risposte aperte di un questionario in cui si vogliano rilevare le differenze tra il linguaggio dei maschi rispetto a quello delle femmine, oppure si vogliano rilevare le peculiarità dei linguaggi utilizzati in base alla professione o al titolo di studio). Oltre all'analisi delle specificità, TaLTaC² mette a disposizione il calcolo dell'indice TFIDF per l'estrazione delle parole peculiari dai frammenti e per estrarre i frammenti più significativi in termini del linguaggio così individuato.

Le risorse esogene sono invece le liste di riferimento (lessici di frequenza) contenute nelle Risorse statistico-linguistiche di TaLTaC². Confrontando il vocabolario del corpus con il lessico di frequenza più adeguato, è possibile individuare il linguaggio peculiare del testo nel suo complesso, nei termini sia delle unità lessicali sovra o sotto -rappresentate (quelle cioè che presentano maggiori o minori scarti d’uso in valore assoluto), che di quelle originali del testo (cioè non presenti nel lessico di riferimento utilizzato). Anche i segmenti ripetuti individuati nel corpus possono essere confrontati con il lessico di poliformi.

Al termine di queste diverse operazioni, TaLTaC² permette di esportare la tabella vocabolario con tutte queste selezioni e annotazioni da sfruttare nelle successive fasi d’uso delle tecniche statistiche multidimensionali.

Oltre alle analisi e alle ricerche che è possibile effettuare sul vocabolario e sulle altre tabelle, TaLTaC² permette di operare del text mining a livello testuale, attraverso la Ricerca di Entità (concetti, regole) sul testo mediante interrogazioni - query più o meno complesse - che consentono di individuare tutti i frammenti che presentino una o più parole, sequenze di parole o quasi-sequenze, nonché alcune relazioni fra tipi, classi o gruppi di parole derivanti dal tagging svolto a livello lessicale.

Accanto a questa possibilità di recupero di informazione, TaLTaC² offre l'opportunità di creare nuove variabili grazie alle quali categorizzare quei frammenti che soddidisfano la query. Così facendo la matrice dei frammenti si arricchisce di ulteriori informazioni ricavate direttamente dal testo. Una matrice così arricchita può produrre risultati molto più interessanti e precisi in sede di analisi multidimensionale effettuata con software statistici (si pensi ad un questionario sulla soddisfazione della clientela a cui si può aggiungere una variabile "non soddisfatto" per tutti quei record che presentino, nel testo di una risposta ad una specifica domanda aperta, le espressioni "non sono soddisfatta" o "mi hanno trattato male" o "scarsa professionalità"). La creazione di nuove variabili ex-post frutto dell’analisi testuale, corrisponde alla classica operazione di text mining che consiste nel estrarre un “concetto” da un testo non strutturato, per trasformarlo in un dato codificato in un database strutturato, pronto per essere analizzato.

Oltre alla matrice forme per testi frutto dell’analisi lessicale, è possibile esportare da TaLTaC² anche la matrice frammenti per forme frutto dell’analisi testuale, al fine di effettuare ulteriori analisi multidimensionali con altri software (SPAD, Alceste, WordMapper, etc.) sulle unità originarie della collezione di testi. In questa matrice sono presenti oltre alle parole, anche i concetti in forma di codifiche nelle variabili testuali create precedentemente, nonché le variabili categoriali, note fin dall’inizio e associate a ciascun record della collezione dei testi. Come è evidente è possibile sviluppare su questa matrice numerose analisi statistiche di correlazione fra parole, concetti e variabili strutturali individuali.

Infine, con TaLTaC², è possibile ricostruire il testo originario in forme etichettate, in lemmi o in categorie semantiche oppure ricostruire un corpus “pulito” con la correzione/cancellazione di errori ortografici.

Ad esempio, nel caso della ricostruzione del Corpus con lemmi la procedura ricostruisce il corpus originario sostituendo i lemmi alle forme grafiche del testo. Inquesto caso il lemma è seguito dalla categoria grammaticale.

Esempio:

signor_presidente_N , onorevoli_deputati_N , il_DET Governo_N che_ si_ presentare_V oggi_ alle_ Camere_N chiedere_V .....