Per decenni, l’intelligenza artificiale e l’elaborazione del linguaggio naturale si sono interrogate su come una macchina possa non solo “leggere” una frase, ma comprenderne la struttura logica profonda

In questo articolo si parla di:

Quando comunichiamo, non stiamo semplicemente scambiando sequenze di suoni o simboli grafici; stiamo trasmettendo mondi di significato, intenzioni e, soprattutto, catene di eventi legati tra loro. In questo contesto, la Teoria della Dipendenza Concettuale e l’estrazione delle relazioni causa-effetto rappresentano i pilastri per passare dalla semplice analisi della “sintassi delle parole” a una vera comprensione semantica.

La svolta di Roger Schank: dalle parole ai concetti

Negli anni ’60 e ’70, mentre la linguistica tradizionale di Noam Chomsky si concentrava sulla sintassi — ovvero sulle regole formali che governano l’ordine delle parole — Roger Schank propose un approccio radicalmente diverso presso la Stanford University. Schank riconobbe che comprendere il linguaggio significa comprendere i concetti sottostanti, indipendentemente dalle parole specifiche utilizzate.

Nacque così la Teoria della Dipendenza Concettuale, un modello volto a rappresentare la conoscenza in modo che frasi con lo stesso significato avessero un’unica rappresentazione interna, a prescindere dalla lingua o dalla forma sintattica. Se diciamo “Luigi ha dato un piatto a Sonia” o “Sonia ha ricevuto un piatto da Luigi”, la struttura concettuale è la stessa: un trasferimento di possesso. La Teoria della Dipendenza Concettuale scompone queste azioni in un piccolo insieme di “atti primitivi” .

• ATRANS: Il trasferimento di una relazione astratta, come il possesso o il controllo (es. “dare” o “prendere”).
• PTRANS: Il trasferimento fisico di un oggetto da un luogo a un altro (es. “andare” o “spostare”).
• MTRANS: Il trasferimento di informazioni mentali (es. “dire” o “ricordare”).

Questi mattoni fondamentali permettono di costruire una “sintassi del pensiero”, dove l’attenzione si sposta dall’ordine dei sostantivi e dei verbi alla funzione che ogni elemento svolge nella realtà descritta.

La sintassi delle parole vs. la sintassi dei concetti

Esiste una distinzione netta tra i compiti sintattici e quelli semantici nell’NLP. Mentre la sintassi si occupa di tokenizzazione, etichettatura grammaticale e “chunking” (raggruppamento di parole in sintagmi), la semantica mira alla risoluzione delle ambiguità e all’assegnazione di ruoli.

Nel modello di Schank, la sintassi delle parole è solo una porta d’accesso. Una volta “aperta”, il sistema deve mappare l’input su una struttura di dipendenza che specifichi chi è l’attore, qual è l’oggetto, la direzione del movimento e lo strumento utilizzato. Questa rappresentazione è considerata “indipendente dal linguaggio” (language-independent), il che significa che funge da ponte universale per la comprensione. Ad esempio, il verbo “portare” può essere decomposto nei primitivi ATRANS (passaggio di controllo) e PTRANS (movimento fisico), catturando l’essenza dell’azione meglio di una semplice etichetta verbale.

Il fulcro della comprensione: le relazioni causa-effetto

Uno degli aspetti più potenti della dipendenza concettuale è la sua capacità di organizzare gli elementi in catene causali. La causalità è un principio organizzativo fondamentale della cognizione umana: tendiamo naturalmente a interpretare gli eventi come conseguenze di cause specifiche. Senza la capacità di identificare il “perché” dietro un’azione, un sistema di NLP (Natural Language Processing) resterebbe superficiale.

Le dipendenze concettuali formano la spina dorsale relazionale della teoria di Schank, permettendo al computer di fare inferenze su precondizioni e conseguenze. Se un sistema legge che “John ha spinto la sedia”, può inferire il risultato (la sedia si è mossa) anche se non esplicitamente dichiarato, grazie alla comprensione del legame causale tra l’atto di PROPEL (applicare forza fisica) e il PTRANS dell’oggetto.

Oggi, l’estrazione automatica di coppie causa-effetto è un compito cruciale in domini come la medicina e il diritto. Mentre i primi sistemi si basavano su regole rigide, i moderni modelli di intelligenza artificiale, come i Transformer (es. BERT), integrano alberi di dipendenza per migliorare la precisione nell’identificare quale evento ha scatenato l’altro. L’obiettivo rimane lo stesso di cinquant’anni fa: costruire grafi causali che permettano previsioni e ragionamenti complessi.

Dalle regole ai big data: l’evoluzione del capitale semantico

Nel panorama contemporaneo, il concetto di “capitale semantico” — inteso come l’insieme di contenuti che migliorano la nostra capacità di dare significato al mondo — si è espanso enormemente grazie ai modelli linguistici di grandi dimensioni. Tuttavia, nonostante la loro capacità di generare testi realistici, molti ricercatori sottolineano che questi modelli spesso mancano di una vera comprensione delle relazioni causali profonde che Schank cercava di codificare.

Le sfide attuali nell’NLP risiedono proprio nel combinare la potenza statistica dei moderni algoritmi con la precisione logica della dipendenza concettuale. L’uso di “foreste di dipendenza” e “spiegazioni causali” viene impiegato per rendere i sistemi più robusti, specialmente in settori critici dove un errore nell’interpretazione di una relazione causa-effetto può avere conseguenze reali.

L’elaborazione del linguaggio naturale ha fatto passi da gigante passando dalla manipolazione di stringhe di testo alla modellizzazione del pensiero. La teoria della dipendenza concettuale ci ricorda che il linguaggio non è solo una questione di sintassi corretta, ma un sistema per mappare la realtà e le sue dinamiche causali. Comprendere la “sintassi delle parole” è necessario, ma è solo attraverso la comprensione delle relazioni causa-effetto che le macchine possono sperare di acquisire un vero capitale semantico, diventando partner intelligenti capaci di ragionare, spiegare e, in ultima analisi, comprendere il mondo proprio come facciamo noi.

Claudia Sistelli

© Riproduzione Riservata