Lingua Mundi: la costruzione di una mappa del significato indipendente dalla lingua a partire da dati lessicali aperti

1 · L'intuizione: perché i dizionari hanno la forma sbagliata

Ogni persona che studia una lingua ha provato quell'attrito. Cerchi cat in un dizionario inglese–spagnolo e trovi gato. Cerchi gato in un dizionario spagnolo–giapponese e trovi 猫. Tre dizionari dopo hai passato un pomeriggio a confermare ciò che sospettavi già: la stessa idea — un piccolo carnivoro domestico che fa le fusa — viene descritta tre volte, in tre file separati, da tre organizzazioni diverse, con tre identificatori diversi, e non è mai stata collegata alle altre due.

L'intuizione alla base di Lingua Mundi è che questa sia la forma sbagliata per i dati linguistici. Il significato esiste una volta sola. Le parole esistono molte volte. Un database che memorizzi i significati come oggetti di prima classe e tratti le parole come etichette che le diverse lingue agganciano a quei significati permetterebbe a una persona (o a un programma) di passare da qualsiasi lingua a qualsiasi altra attraverso un'unica mappa condivisa — e permetterebbe a chi studia di vedere a colpo d'occhio che cat, gato, chat, Katze e 猫 non sono cinque fatti da memorizzare, ma un unico fatto con cinque abiti diversi.

Questa intuizione non è arrivata come un fulmine a ciel sereno. È cresciuta, nell'arco di circa un anno, dal lavoro quotidiano di una persona — e la prima traccia documentaria che ne resta è sorprendentemente semplice.

1.1 Il primo messaggio

Il 3 dicembre 2025 l'autore ha aperto una conversazione con ChatGPT e ha digitato quanto segue (citato alla lettera; la conversazione è rimasta aperta per quattro mesi e mezzo ed è stata modificata l'ultima volta il 21 aprile 2026) [H]:

«Voglio trovare dizionari gratuiti simili a JMDICT e Kanjidict2 per le seguenti lingue: spagnolo, inglese, francese, italiano, portoghese, cinese, coreano e vietnamita. La mia intenzione è creare un database multilingue unificato per vari scopi. Mi interessa anche sapere se esistono database simili per le lingue indigene del Messico a cui possa accedere liberamente.»

(Registro di sessione, ChatGPT, conversazione "Free multilingual dictionaries", 2025-12-03; il file sorgente è citato nell'appendice A.)

Tre cose di quel breve messaggio prefigurano tutto ciò che il progetto sarebbe diventato. In primo luogo, le lingue nominate — spagnolo, inglese, francese, italiano, portoghese e, più tardi, giapponese — sono esattamente le lingue che l'autore parla e con cui lavora come traduttore e insegnante di lingue (un insieme che in seguito avrebbe formalizzato come «Core 6»), più cinese, coreano e vietnamita, che progettava di aggiungere dopo. In secondo luogo, la frase «un database multilingue unificato» nomina già l'obiettivo: non sei dizionari, ma un unico database che li contenga tutti insieme. In terzo luogo, l'autore pensava alle lingue indigene del Messico fin dal primo giorno — un filo che torna ripetutamente (un'integrazione in lingua maya per Lingua Mundi è stata esplorata nell'agosto 2026 [H], e risorse in lingue maya compaiono in tutte le sue note di ricerca).

Conta anche il contesto dietro quel messaggio. L'autore non è un informatico di formazione. È un traduttore e insegnante di lingue che in quel periodo stava anche studiando seriamente il giapponese e costruiva piccoli strumenti per rendere più facile quell'apprendimento: giochi per imparare kanji e kana e una pipeline per dizionari di giapponese (un editor di furigana per e-book giapponesi si sarebbe unito a questa cassetta degli attrezzi più tardi, nel 2026, come il progetto che è diventato l'app Shikibu). La sua home directory di fine 2025 mostra l'archeologia di quell'apprendimento: una copia del file del dizionario di kanji KANJIDIC2 scaricato l'11 novembre 2025, un elenco di kanji jōyō a dicembre e poi — spinto da quella conversazione del 3 dicembre — i dati dell'Open Multilingual Wordnet scaricati il 5 dicembre [H] (timestamp dei file, /home/rex/; si veda l'appendice A). La conversazione con ChatGPT del 3 dicembre, in altre parole, è il cardine: il momento in cui «mi servono dati sul giapponese per i miei strumenti» si è allargato in «voglio costruire un database multilingue unificato, gratuito, per molte lingue, comprese le lingue del mio paese».

1.2 Dai dizionari ai significati: la pipeline di dicembre 2025

Che cosa ha fatto l'autore subito dopo è visibile nei file che ha creato. Tra il 5 dicembre e il 16 dicembre 2025 ha scritto, con ChatGPT come partner di programmazione, una piccola pipeline di script Python — extract_omw.py, merge_dicts.py, unified_dictionary_pipeline.py, crossref_deterministic.py — che scaricavano, analizzavano e fondevano dati lessicali da diverse fonti aperte in forme via via più strutturate [H] (script e date in /home/rex/). La decisione progettuale più importante di questo periodo è documentata nei file stessi: la fase finale della pipeline, datata 16 dicembre, separa ogni voce in quattro tipi di oggetti — concept, sense, lexeme e grapheme (un grafema è un carattere scritto, come un kanji) — e li scrive su disco come documenti JSON Lines. Lo schema è rivelatore: un sense è un significato particolare di una parola particolare in un dizionario particolare; un concept è l'idea condivisa a cui puntano diversi sensi in diverse lingue; e il campo concept_id di un senso può essere vuoto — cioè «questo senso di parola non è ancora stato collegato a un concetto condiviso». Le note dell'autore in quel codice descrivono il metodo come «zero euristiche»: niente congetture approssimative, nessun trucco di similarità statistica per decidere che due parole significano la stessa cosa; soltanto collegamenti espliciti e documentati. [H] (codice della pipeline e annotazioni, /home/rex/, dicembre 2025; dettagli nell'appendice A.)

Quello schema del 16 dicembre è, in miniatura, l'intera architettura del progetto che sarebbe poi stato chiamato Lingua Mundi: le parole vivono nelle lingue; i significati vivono in uno spazio condiviso; e il problema difficile e onesto — quale parola, in quale lingua, significa quale concetto — non viene mai finto. Un senso che non è stato collegato a un concetto resta nel database, visibilmente sconnesso, invece di essere collocato al suo posto da una congettura silenziosa. Dieci mesi dopo, quando un bug in una pipeline di importazione rese la parola inglese cat invisibile al suo concetto, l'autore avrebbe descritto il principio esattamente in questi termini: meglio mostrare un orfano che nasconderlo ([H]; si veda la sezione 7).

1.3 La pausa e l'allargamento

Poi la pista documentaria si fa silenziosa per circa cinque mesi — da metà dicembre 2025 fino a fine maggio 2026 i registri disponibili non contengono alcun lavoro sulla pipeline di dizionari [NV]. Non è insolito per un traduttore che lavora e ha studenti a cui insegnare, ma vale la pena dirlo chiaramente: la crescita del progetto non è stata continua. È avanzata a scatti, separati da settimane o mesi di altro lavoro — un ritmo che sarebbe continuato per tutto il 2026.

Quando il filo riprende, l'ambizione si è allargata. Il 1 maggio 2026 l'autore studia la «copertura dati di OMW v2.0» (la release dell'Open Multilingual Wordnet) [H] (titolo e contenuto della conversazione, ChatGPT, 2026-05-01). Il 27 maggio 2026 apre una conversazione intitolata "Open Source Language Resources" e chiede, in sostanza, una mappa sistematica di ogni risorsa lessicale, grammaticale e semantica gratuita che possa alimentare una base di conoscenza multilingue [H] (ChatGPT, 2026-05-27). A questo punto il progetto ha un nome e una forma; l'evidenza di entrambi compare nel prossimo capitolo.

1.4 Perché questo conta al di là del progetto di una persona

Un lettore può chiedersi perché un articolo debba documentare così a lungo l'intuizione di un progetto personale. La risposta è che l'intuizione è il contributo. L'idea che i significati — non le grafie — siano l'unità naturale dei dati multilingue ha un lungo pedigree accademico (è il sogno più antico della tradizione dell'«interlingua» nella traduzione automatica e il principio organizzativo dei synset del Princeton WordNet; si veda la sezione 2), ma raramente viene messa in pratica da un individuo, senza budget, come bene pubblico. Gran parte delle risorse multilingue che seguono questo principio — l'Open Multilingual Wordnet, BabelNet, il progetto Universal Dependencies — sono mantenute da consorzi universitari con finanziamenti pubblici. Lingua Mundi è il tentativo di un ricercatore indipendente, che usa soltanto dati aperti e strumenti gratuiti, di costruire da sé un pezzo di quell'infrastruttura per il proprio lavoro di traduzione e insegnamento, e di regalarlo. Se quel tentativo riuscirà è una domanda a cui il lettore può rispondere con l'evidenza del resto di questo articolo — e i diari dell'autore lo mostrano mentre si pone la stessa domanda, con la stessa onestà, lungo tutto il percorso (si veda la sezione 4.3).

2 · Contesto: che cosa significa «una mappa del significato»

Per capire che cosa Lingua Mundi sta cercando di costruire, e che cosa c'è di genuinamente nuovo, contano tre filoni di lavoro precedente: l'idea linguistica che il significato possa essere separato dalla grafia; l'idea computazionale che quel significato possa essere memorizzato come dato e collegato tra le lingue; e l'osservazione moderna secondo cui una mappa strutturata del significato si affianca ai modelli linguistici neurali, invece di competere con essi.

2.1 Il segno e le sue due facce

La linguistica moderna comincia con un'osservazione di semplicità ingannevole, di solito attribuita alle lezioni di Ferdinand de Saussure di inizio Novecento: una parola è l'accoppiamento di un suono/forma (il «significante») e di un concetto (il «significato») (de Saussure, 1916/1983). In questa visione, due lingue non sono due insiemi di parole che per caso si traducono a vicenda; sono due insiemi di significanti che si sovrappongono parzialmente su uno spazio condiviso di significati. Il significante inglese cat e il significante spagnolo gato sono forme diverse con lo stesso significato. Se una macchina potesse memorizzare i significati una volta sola e agganciarvi i significanti, la traduzione diventerebbe una ricerca attraverso un punto intermedio condiviso — un'idea nota nella traduzione automatica come approccio dell'interlingua: invece di tradurre inglese→spagnolo direttamente, si traduce inglese→significato→spagnolo.

Il sogno dell'interlingua ha una lunga storia nella ricerca sulla traduzione automatica e si è ripetutamente rivelato troppo difficile nella sua piena generalità (le lingue non tagliano il significato in pezzi identici, e ogni traduttore sa che cat l'animale e cat il musicista jazz sono significati diversi che indossano un unico significante). Ma il sogno non è mai morto: è stato soltanto ristretto a qualcosa di costruibile — il lessico, la parte della lingua che si mappa meglio su significati stabili e condivisi.

2.2 WordNet e il synset

Il restringimento decisivo è venuto dalla psicologia e dalla lessicografia. Negli anni Ottanta e Novanta, George Miller e i colleghi di Princeton hanno costruito WordNet, un database lessicale per l'inglese organizzato non alfabeticamente ma semanticamente (Miller, 1995; Fellbaum, 1998). L'invenzione centrale di WordNet è il synset (una contrazione di "synonym set", insieme di sinonimi): un gruppo di parole che in qualche contesto possono stare per lo stesso significato. Il synset {cat, true cat, Felis catus, domestic cat} è un significato; il synset {cat, kat, guy, hombre} — che significa «un termine informale per un giovane o un uomo» — è un altro significato, molto diverso, che condivide per caso il significante cat. WordNet registra anche relazioni tra synset — soprattutto la gerarchia is-a (iperonimia: un gatto domestico è un felino, un felino è un carnivoro, un carnivoro è un* mammifero…) — trasformando il dizionario in un grafo, con i significati come nodi e le relazioni tipizzate come archi.

WordNet conta per Lingua Mundi per tre ragioni. Primo: ha dimostrato che un lessico leggibile da macchina organizzato per significato è fattibile ed enormemente utile — i motori di ricerca moderni, i correttori ortografici e le librerie di linguaggio naturale si appoggiano ancora a esso. Secondo: ha dato al mondo un sistema di identificatori stabili per i significati: il Princeton WordNet numera i suoi synset, così 02121620-n significa senza ambiguità «gatto domestico» e può essere citato in database diversi. Terzo: è diventato l'ancora di un progetto multilingue: l'Open Multilingual Wordnet (OMW).

2.3 L'Open Multilingual Wordnet: un significato, molte lingue

L'OMW, lanciato da Francis Bond e Ryan Foster (Bond & Foster, 2013), raccoglie wordnet costruiti in molte lingue e li allinea al wordnet inglese di Princeton: i synset di ogni lingua partecipante portano puntatori al synset inglese a cui corrispondono. Il risultato è la risorsa che ha reso possibile Lingua Mundi: un insieme di affermazioni esplicite, curate da esseri umani, della forma «il gato spagnolo (senso 1) appartiene allo stesso significato del synset inglese del gatto domestico 02121620-n». Quando l'autore di Lingua Mundi scrisse nella sua specifica ingegneristica del luglio 2026 che il progetto sarebbe stato «incentrato sui synset» e avrebbe allineato le lingue attraverso l'OMW [H] (documento di specifica, 24 luglio 2026), stava sulle spalle di Bond e Foster — come ci erano già stati i suoi script della pipeline di dicembre 2025, che analizzavano direttamente i file di dati dell'OMW.

2.4 L'ecosistema dei dati aperti intorno ai wordnet

L'OMW è un nodo di un grande ecosistema con licenze apertamente concesse che un individuo può combinare legalmente e tecnicamente:

• Wiktionary — il dizionario collaborativo ospitato dalla Wikimedia

Foundation — offre una copertura lessicale molto ampia in centinaia di lingue, comprese definizioni, traduzioni, flessioni e pronuncia, con licenze share-alike (Wikimedia Foundation; si veda anche Meyer & Gurevych, 2012, sul suo valore come rivale dei lessici costruiti da esperti).

• Wikidata — la base di conoscenza strutturata di Wikimedia — memorizza

dichiarazioni con identificatori leggibili da macchina ed è rilasciata con licenza CC0 (pubblico dominio) (Vrandečić & Krötzsch, 2014).

• Universal Dependencies (UD) — un progetto comunitario che pubblica

treebank di frasi annotate sintatticamente in più di cento lingue con licenze aperte (Nivre et al., 2020). UD contribuisce con frasi reali e informazioni sulla parte del discorso — l'evidenza di come le parole sono usate davvero.

• [JMdict e KANJIDIC2](https://www.edrdg.org/jmdict/j_jmdict.html) — i file del dizionario giapponese e dei kanji

mantenuti dal progetto EDRDG di Jim Breen, che coprono il giapponese in modo esteso e con traduzioni in diverse lingue (Breen, 2004). Sono stati i punti di partenza dell'autore (il suo primissimo file di dizionario, scaricato nel novembre 2025, era KANJIDIC2 [H]).

• UniMorph — un repository multilingue di morfologia flessiva (forme

di parola come run/ran/running organizzate per tratto grammaticale) (Kirov et al., 2018; McCarthy et al., 2020).

• OPUS — una grande raccolta di frasi parallele (tradotte) estratte

dal web e dai sottotitoli dei film, con licenza aperta (Tiedemann, 2012).

• Elenchi di frequenza delle parole come [wordfreq](https://github.com/rspeer/wordfreq) (Speer, 2022), che classificano

le parole in base a quanto sono comuni nei corpus reali.

• Lo standard ISO 639-3, che assegna a ogni lingua umana un codice stabile

di tre lettere (p. es., spa per lo spagnolo, jpn per il giapponese), mantenuto da SIL International — il database di Lingua Mundi usa questi codici come chiavi della propria tabella language [H].

Due proprietà di questo ecosistema meritano enfasi perché strutturano l'intero progetto. Primo: le licenze sono davvero aperte — permissive o share-alike — quindi combinarle in un database derivato è legale purché siano rispettate l'attribuzione e i termini di licenza (Lingua Mundi registra la fonte e la licenza di ogni dataset importato nella propria tabella source; si veda la sezione 6). Secondo: l'ecosistema è complementare: Wiktionary è ampio ma poco profondo; i wordnet sono profondi ma stretti; UD riguarda l'uso; UniMorph riguarda le forme di parola; gli elenchi di frequenza riguardano la prominenza. Il problema ingegneristico di Lingua Mundi non è «trovare dati» — è «fondere dati che non sono mai stati progettati per essere fusi, senza mentire sulle join».

2.5 Perché una mappa del significato conta ancora nell'era dei grandi modelli

Un'obiezione onesta va enunciata chiaramente: se i modelli linguistici di grandi dimensioni sanno già tradurre, definire e ragionare sulle parole, perché costruire un lessico strutturato? La risposta dell'autore di Lingua Mundi, sviluppata nel suo articolo di ricerca del giugno 2026 (sezione 3) e affinata durante l'estate, ha tre parti. Primo: verificabilità: un database strutturato può mostrare il proprio lavoro — ogni collegamento ha una fonte, una licenza e una data — mentre la conoscenza di un modello è una miscela statistica opaca che non può essere sottoposta ad audit, corretta o citata. Secondo: costo e accesso: interrogare un database locale non costa nulla e funziona offline, mentre ogni interrogazione di un modello costa energia, denaro o entrambi; la regola progettuale permanente dell'autore è «query di ricerca a zero token» — l'API locale è la superficie di ricerca [H] (nota di progetto, 29 agosto 2026). Terzo: complementarità: l'articolo del giugno 2026 sosteneva — come ipotesi, con gli audit di tre modelli convergenti sullo stesso verdetto — che un modello compatto che opera su identificatori di concetti anziché su token grezzi potrebbe essere molto più efficiente proprio perché la mappa dei concetti svolge il lavoro semantico fuori dalla rete (si veda la sezione 3). Che quell'ipotesi sopravviva o no alla sperimentazione, la mappa stessa resta utile ai modelli: come memoria esterna che può essere interrogata, aggiornata e citata senza riaddestramento.

L'ascendenza intellettuale di Lingua Mundi può quindi riassumersi in una riga: è il sogno dell'interlingua, ristretto al lessico da WordNet, reso multilingue dall'OMW, reso legale dal movimento dei dati aperti e reso personale dal bisogno di un traduttore di un dizionario che tratti il significato — non la lingua — come la cosa da archiviare.

3 · Il nome, la tesi e l'architettura dei sette grafi (maggio–giugno 2026)

3.1 Il nome

Verso la fine di maggio 2026 le note e le specifiche dell'autore usavano il titolo di lavoro "Multilingual Lexical Platform" [H] (master della specifica in markdown datato 23 maggio 2026, /home/rex/Descargas/Phone backup/Download/). Il nome Lingua Mundi — «lingua del mondo» in latino — compare per la prima volta nella documentazione disponibile il 1 giugno 2026, come titolo di un manoscritto di ricerca (si veda sotto) [H] (registri di conversazione, 1 giugno 2026; prima occorrenza verificata negli archivi dell'autore). Il nome è azzeccato: la pretesa del progetto non è di contenere molte lingue, ma di riguardare l'unico spazio di significato che quelle lingue condividono.

3.2 Una tesi di ricerca: il significato, non i token

Tra marzo e giugno 2026 circa, l'autore ha sviluppato — in conversazione con ChatGPT, Claude e DeepSeek — una tesi di ricerca sul perché una mappa del linguaggio a livello di concetti potrebbe rendere la tecnologia linguistica radicalmente più efficiente e accessibile. La tesi, nella formulazione di lavoro che l'autore portò alla conversazione (citata alla lettera dalla sua richiesta di fattibilità del 18 luglio 2026, dove incollò la descrizione per la revisione) [H]:

«Crea una mappa multilingue, aperta e leggibile da macchina del linguaggio umano che separi: 1. Significato · 2. Forma · 3. Struttura · 4. Storia · 5. Uso — in grafi interoperabili. L'obiettivo a lungo termine è rendere il linguaggio calcolabile a livello di concetti piuttosto che a livello di token. […] La NLP moderna (elaborazione del linguaggio naturale) modella in gran parte: token → token. Lingua Mundi modella: concetto ↔ lingua.»

L'argomento di fondo, esposto nel manoscritto di giugno, è che un modello linguistico spende la maggior parte della propria capacità nella variazione superficiale — trattando "dog", "perro" e "犬" come tre cose senza relazione quando sono una cosa sola con tre abiti [H] (manoscritto V4, citato per intero nella conversazione di audit del 1 giugno 2026). Se un modello potesse invece leggere e scrivere sequenze di concetti — con la mappa dei concetti che svolge il lavoro multilingue fuori dalla rete — il modello potrebbe essere più piccolo, più economico ed eseguibile su computer ordinari.

3.3 Sette versioni in una mattina: il metodo della collaborazione avversariale

Il manoscritto, intitolato Lingua Mundi: A Semantic Infrastructure for Concept-Grounded Language Models, proponeva un'architettura a sette strati: un grafo dei concetti (significati indipendenti dalla lingua, con dimensione obiettivo di un miliardo di nodi), un grafo dei synset (che mappa le parole di ogni lingua sui concetti) e grafi per morfologia, derivazione, etimologia, corrispondenza translinguistica e uso — tutti uniti da un sistema comune di identificatori; più un'architettura di modello fondato sui concetti (un modello sequenziale in stile Mamba che legge identificatori di concetti), embedding iperbolici (sulla palla di Poincaré) per il grafo dei concetti, recupero esplicito dei fatti dal grafo e un budget sottoposto a verifica che mostra il tutto funzionante su normali portatili [H] (manoscritto, 1 giugno 2026).

Ciò che rende notevole questo episodio come metodo — e insolitamente ben documentato — è che l'autore non ha scritto il manoscritto da solo. La mattina del 1 giugno 2026 ha fatto passare la bozza attraverso sette revisioni successive (V1–V7) in meno di mezz'ora, usando due modelli in modo avversariale: DeepSeek redigeva ogni revisione mentre ChatGPT sottoponeva ogni bozza a un audit con il rigore di un revisore paritario ostile [H] (registri di conversazione, DeepSeek "Revisión y corrección del proyecto Lingua Mundi" e ChatGPT "Audit Feedback Lingua Mundi", entrambi del 1 giugno 2026). Le trascrizioni degli audit sono conservate alla lettera e sono insolitamente sincere su ciò che ogni giro ha corretto:

• l'aritmetica dello storage degli embedding INT8 è stata corretta (un errore

di un fattore due nel budget di storage);

• un'affermazione empirica inventata («empiricamente, osserviamo che…») è

stata rimossa e sostituita con un'ipotesi esplicitamente etichettata e fondata su lavori precedenti;

• un confronto con un ipotetico modello futuro è stato sostituito con un

confronto con un modello reale (DeepSeek-V3);

• le affermazioni prestazionali dell'abstract sono state progressivamente

ridimensionate;

• le affermazioni non sostenute sullo scaling sono state rietichettate come

problemi aperti di ricerca; e

• il manoscritto è stato riformulato, entro la V7, da un'affermazione

empirica a un onesto position paper — un'agenda di ricerca con un piano di valutazione esplicito e falsificabile (robustezza nella disambiguazione dei sensi delle parole, ablazioni, baseline).

I verdetti finali degli audit, conservati nei registri, valutavano molto la visione del manoscritto ma davano costantemente un punteggio basso al supporto empirico — e la raccomandazione conclusiva dell'ultimo audit era netta [H]:

«Se fossi io a consigliare il progetto, ora passerei dalla scrittura di articoli all'implementazione. Il prossimo artefatto di valore non è la V8. È Lingua Mundi Prototype 0.1 … con: 100k–1M concetti, solo inglese, tokenizzatore di concetti, ricostruzione di concetti, run di addestramento su TinyStories, confronto diretto contro token-Mamba. Quell'esperimento risponderebbe alla domanda centrale: la compressione semantica conserva informazioni sufficienti a giustificare il collo di bottiglia?»

L'autore ha seguito quel consiglio. Tre osservazioni su questo episodio contano per capire tutto ciò che è seguito. Primo: l'idea non è mai stata il collo di bottiglia — l'autore aveva, parole sue, una visione che gli audit avevano valutato A−; il collo di bottiglia era l'evidenza, e gli audit lo hanno detto sette volte. Secondo: il metodo di lavoro dell'autore — usare più modelli di IA come collaboratori avversariali, conservare ogni bozza e ogni audit e preferire una qualificazione onesta a una rivendicazione sicura di sé — è diventato lo standard permanente dello studio, ed è lo stesso metodo visibile nelle convenzioni di verifica [H]/[O]/[NV] del presente articolo (appendice A). Terzo: l'architettura a sette strati di quel manoscritto di giugno non è svanita quando l'autore è passato all'implementazione: è diventata la roadmap del progetto. La Lingua Mundi che esiste oggi (settembre 2026) implementa il grafo dei concetti, il grafo dei synset, l'importazione della morfologia, gli strati corpus e un'API; gli strati di derivazione, etimologia, corrispondenza e uso sono fasi esplicitamente in coda dello stesso piano (sezioni 5–6, 10.3) [H] (roadmap del progetto, 29 agosto 2026).

4 · La piattaforma prende forma (luglio–agosto 2026)

4.1 Fattibilità: «si può fare con componenti open source?»

Il 18 luglio 2026 l'autore ha chiesto a ChatGPT, senza mezzi termini, se la visione potesse essere costruita con componenti gratuiti esistenti e di che cosa avrebbe avuto bisogno per svilupparla [H] (conversazione "Lingua Mundi Project Feasibility", 2026-07-18, 00:44 UTC — la sera del 17 luglio nel fuso orario Central Time dell'autore). La conversazione — e le settimane successive — registrano la svolta dall'articolo di ricerca al programma ingegneristico. Il progetto ha adottato la dichiarazione di missione formale che l'autore incollò in quella conversazione per la revisione (citata nella sezione 3.2), e l'autore ha cominciato a mettere in piedi l'impalcatura del codice vero e proprio: esistono su disco file di schema per il modello di dati datati 17 luglio 2026 [H] (istantanee del codice, luglio 2026; si veda l'appendice A).

4.2 La specifica ingegneristica (24 luglio 2026)

Il 24 luglio 2026 l'autore ha consolidato il progetto in una specifica ingegneristica di 104 pagine, Multilingual Lexical Platform — Engineering Specification, versione 2.0, sottotitolata "Revised & Production-Ready" [H] (PDF, /home/rex/, 24 luglio 2026; testo estratto per questo articolo). La specifica è la costituzione del progetto, e i suoi contenuti spiegano buona parte di ciò che è stato poi costruito:

• Il principio incentrato sui synset. Il documento stabilisce che ogni

oggetto lessicale deve in ultima analisi agganciarsi a un synset (un significato), e che il database è organizzato intorno ai significati piuttosto che alle grafie. Il suo esempio svolto è la parola bank, che deve essere un'unica forma superficiale con diversi synset distinti («riva del fiume», «istituto finanziario», «contare su qualcosa») — mai un unico ammasso di significati indistinti [H].

• Livelli di lingua. La specifica pianificava le lingue su due livelli:

Tier 1 per il lancio — inglese, spagnolo, francese, portoghese, giapponese e cinese mandarino (semplificato e tradizionale) — e Tier 2 — italiano, coreano e vietnamita [H]. (L'insieme effettivamente caricato nel database differisce in due modi interessanti, documentati nella sezione 10: le sei lingue live sono inglese, spagnolo, francese, tedesco, portoghese e giapponese — mandarino e italiano sono assenti, il tedesco è presente. La sostituzione non è spiegata da nessuna parte nei documenti superstiti [NV], un'ammissione sincera di una questione di provenienza irrisolta.)

• Il modello di dati. Il capitolo 5 della specifica abbozza lo schema a

grandi linee, e il modello caricato nella prima migrazione del repository è un nucleo di undici tabelle che corrisponde all'intuizione delle quattro entità del prototipo di dicembre 2025, ora formalizzata: lingue, lessemi, sensi, concetti (synset), relazioni, fonti, synset e tabelle di supporto (si veda la sezione 5).

• Una gerarchia di allineamento a cinque livelli. Poiché il collegamento

automatico e quello manuale delle parole ai concetti differiscono in affidabilità, la specifica proponeva cinque livelli di confidenza di allineamento, dai collegamenti dichiarati esplicitamente dalla fonte (p. es., le mappature OMW) fino alle congetture euristiche — con la regola che ogni collegamento memorizzato porta con sé il proprio livello di confidenza. È la forma matura della regola delle «zero euristiche» di dicembre 2025: non nessun collegamento automatico, ma collegamenti etichettati e onesti [H].

• Una roadmap a fasi con gate. Fasi 0–5, ciascuna con un criterio di

uscita, dallo schema e dall'ETL all'API fino alle applicazioni.

• Un registro dei rischi — compreso un allegato di autocritica che

proponeva strati di etimologia e CJKV/Unihan e metteva in guardia sui «falsi amici» giapponese–cinese (p. es., 娘 «figlia» in giapponese contro «madre» in cinese; 手紙 «lettera» contro «carta igienica») [H].

La specifica fissava anche lo stack che il progetto avrebbe poi semplificato: FastAPI, PostgreSQL, un motore di ricerca (Meilisearch nella specifica) e un frontend web (Next.js). È notevole che già il 13 agosto l'autore mettesse in discussione quello stack da solo (sezione 4.4).

4.3 Il diario di luglio: pensare al sistema operativo semantico

Negli stessi giorni, il diario privato dell'autore (knowledge project.txt, 85 KB, letto per intero per questo articolo; timestamp del file 18 luglio 2026, un'unica sessione di lavoro) registra un filo affine e più personale: il suo tentativo di pensare fino in fondo un «grafo semantico universale» — un modo di rappresentare il significato indipendente dalla notazione, che funzioni attraverso i linguaggi di programmazione, la teoria musicale, la chimica e il linguaggio naturale (un progetto separato che chiamava USG) [H] (diario, luglio 2026). Il passo del diario più rilevante per Lingua Mundi (righe 2563–2587) è la sua riflessione su che cosa significherebbe rendere un unico oggetto semantico in tre lingue contemporaneamente — la stessa intuizione di cat · gato · 猫, scritta come esercizio di pensiero sulle interfacce piuttosto che sulle lingue [H]. È rivelatore che l'esempio svolto dal diario stesso di una «lingua» da spiegare sia lo schema LanguageCreate del codebase di Lingua Mundi — la prova che a metà luglio i due fili (la visione di ricerca e il codice vero e proprio) erano già intrecciati nella sua mente [H].

4.4 Agosto: dallo schema al sistema funzionante

L'agosto 2026 è il momento in cui Lingua Mundi è diventata un sistema. I registri superstiti mostrano una sequenza fitta di decisioni, ciascuna con la propria traccia:

• 1–8 agosto. L'autore ha esplorato le opzioni sui grafi e sulla

rappresentazione della conoscenza ("JSON as a Graph", 29 luglio; idee di monetizzazione dell'API, 7–12 agosto) e — in modo decisivo per l'architettura finale — ha chiesto se l'API «ha davvero bisogno» di uno stack pesante (sezione 4.5) [H].

• 11 agosto. Ha esplorato l'integrazione delle lingue maya in Lingua

Mundi ("Lingua Mundi Maya integration"), continuando l'interesse per le lingue indigene del Messico espresso per la prima volta nel messaggio di dicembre 2025 [H].

• 13 agosto. Due conversazioni di progettazione hanno fissato la forma

del prodotto: "Linguistic API Tech Stack" (si veda 4.5) e "Semantic Interaction Layer", che abbozzava la futura interfaccia tra lo strato di conoscenza e le applicazioni [H].

• 19–25 agosto. Ha costruito la dimostrazione giapponese: un database

offline compatto (SQLite) che impacchetta i dati del dizionario giapponese, così che la concezione orientata ai concetti potesse essere toccata, interrogata e mostrata agli altri ("Build Japanese Demo"; i file lingua-mundi-jpn.sqlite risultanti sono conservati su disco) [H]. Lo sprint aveva una scadenza e un pubblico concreti: rappresentanti della Japan Foundation sarebbero arrivati alla sua università la settimana successiva, e la demo (insieme all'editor di furigana che nello stesso periodo veniva rinominato Shikibu) fu preparata come dossier di prodotto da lasciare in omaggio per quella visita [H] (registro di conversazione, 19–25 agosto 2026).

• 23 agosto. Sollecitato a dare una descrizione del concetto in un

paragrafo, ricevette una sintesi che corrisponde a ciò che i registri lo mostrano costruire: «un'infrastruttura linguistica leggibile da macchina per le lingue umane… più che essere solo un dizionario giapponese o un'app di traduzione, Lingua Mundi è pensata per diventare uno strato generale di intelligenza linguistica» [H] — e, nella stessa conversazione, una descrizione tecnica che nominava lo stack allora previsto (PostgreSQL, Apache AGE per le query a grafo, OpenSearch per il recupero, FastAPI come API) che le misurazioni del mese successivo avrebbero reso inutile (sezione 4.5, sezione 6) [H].

• Dal 24 agosto in poi. Il codebase si è trasferito nella sua sede

permanente come repository vero e proprio ("LinguaMundi"), con la traccia quotidiana delle istantanee di backup su GitHub iniziata il 27 agosto [H] (istantanee del repository; si veda l'appendice A).

4.5 La decisione dello stack snello che ha plasmato tutto

La decisione tecnica più importante di agosto è conservata alla lettera. Il 13 agosto 2026 l'autore ha incollato il proprio stack tecnologico previsto — FastAPI, Polars, DuckDB, PostgreSQL, Apache AGE (un'estensione per i grafi), OpenSearch, Redis, Celery, React e Docker — e ha chiesto: «L'API linguistica ha davvero bisogno di questo stack se gira già su postgres?» [H] (conversazione "Linguistic API Tech Stack", 13 agosto 2026).

La risposta che ricevette — e adottò — fu che quasi nulla di tutto ciò era necessario, almeno per ora: PostgreSQL da solo poteva servire i dati relazionali del dizionario, i kanji, le letture, le coniugazioni, le traduzioni, la ricerca full-text e persino le query ricorsive in stile grafo, e la regola corretta era «limitazione di PostgreSQL → aggiungi tecnologia», non «la fase 3 dice database a grafo → installa un database a grafo» [H] (stessa conversazione). Il consiglio concludeva: «Il vantaggio competitivo della tua API non è l'infrastruttura. È il modello di dati linguistico e le trasformazioni che hai costruito sopra i dati» [H].

Questa decisione — un unico database relazionale, un unico framework per l'API e nient'altro finché una necessità misurata non lo richieda — è l'antenata diretta dell'architettura delle prestazioni descritta nelle sezioni 6–7. Quando, nel settembre 2026, il database è cresciuto fino a 1.6 milioni di sensi di parola e le query ingenue sono rallentate fino a richiedere minuti, l'autore non si è rivolto a un database a grafo né a un motore di ricerca: ha scelto le viste materializzate di PostgreSQL — il modello «cuocere, non ricalcolare» — e ha ridotto le query più lente da oltre un minuto a circa un secondo su hardware del 2014 (sezione 7). La decisione di agosto di restare snello è ciò che ha reso quell'ottimizzazione di settembre insieme necessaria e possibile.

4.6 Il metodo di sviluppo uomo-IA, in pratica

Chi legge questa storia avrà notato che quasi ogni traguardo è accompagnato da un registro di conversazione: l'autore pensa nel dialogo. Nell'agosto 2026 il suo metodo si era stabilizzato in qualcosa che può essere descritto con precisione partendo dalla documentazione:

1. È l'essere umano a fissare la direzione e a possedere i dati. Ogni

richiesta nei registri è dell'autore; ogni file sta sulla sua macchina; ogni decisione — comprese le inversioni di rotta come quella dello stack snello — è sua.

1. I modelli di IA sono usati come collaboratori specializzati. ChatGPT

è stato usato intensamente per la ricerca, la critica dell'architettura e l'audit; DeepSeek per la redazione e i cicli di revisione e (più tardi) come harness alla base dell'automazione dello studio; Claude per la memoria a lungo orizzonte e il contesto di progetto (la base di conoscenza dello studio è nata come esportazione della memoria di Claude).

1. La documentazione viene conservata. Le conversazioni vengono

esportate (gli archivi dell'autore ne contengono migliaia), il codice viene istantanato e — dal 26 agosto 2026 — ogni sessione di lavoro viene registrata in una base di conoscenza Obsidian con frontmatter, date e stato di verifica (sezione 9). Questo articolo è possibile solo grazie a quell'abitudine alla documentazione.

1. La revisione avversariale è incorporata. Il ciclo di audit V1–V7 del

manoscritto di giugno (sezione 3.3) è diventato una pratica permanente: le bozze sono sottoposte ad audit da un modello diverso da quello che le ha scritte, e gli audit vengono conservati agli atti.

Che lo si chiami "vibe coding", "sviluppo assistito dall'IA" o semplicemente «usare gli strumenti», l'etichetta onesta conta per la documentazione: Lingua Mundi è un progetto scritto da un essere umano, costruito in una collaborazione deliberata e documentata con assistenti di IA, e questo articolo (esso stesso una bozza generata dall'IA sotto la direzione dell'autore, come da avviso in apertura) è un artefatto dello stesso metodo.

5 · Progettazione: i principi linguistici e matematici del modello

Questa sezione spiega, in linguaggio semplice, le idee che determinano come Lingua Mundi memorizza la lingua. I lettori che vogliono la storia possono saltare alla sezione 6; i lettori che vogliono le formule e lo schema le troveranno qui e nell'appendice A.

5.1 Quattro tipi di oggetti, un unico spazio di significati

Il modello di dati discende direttamente dai quattro tipi di entità della pipeline di dicembre 2025 (sezione 1.2) e dalle undici tabelle della specifica del luglio 2026 [H]. Nella sua forma matura memorizza cinque tipi fondamentali di cose (verificati contro lo schema live, settembre 2026 [H]):

• Lingua — una riga per ogni lingua umana, indicizzata dal suo codice

ISO 639-3 di tre lettere (eng, spa, jpn, …), con il suo nome, l'autonimo (il nome che usano i parlanti), la famiglia linguistica e la scrittura. Aggiungere una lingua all'intero sistema significa, per progetto, aggiungere una riga più i dataset: non esistono tabelle per lingua da nessuna parte [H] (codice e nota di progetto, 29 agosto 2026). Questa proprietà «indipendente dalla lingua» è l'espressione a livello di schema dell'idea dell'interlingua (sezione 2.1).

• Lessema — una forma di parola in una lingua specifica: la stringa

cat, la stringa gato, la stringa 猫. Un lessema appartiene a una sola lingua e porta con sé una parte del discorso.

• Senso — *un significato di un lessema come registrato da un

dizionario: il senso «animale» di "cat" da WordNet, il senso «musicista jazz» di "cat" da WordNet, il senso «ceppo di Natale» di "cat" da Wiktionary. Un lessema ha in genere molti sensi — è così che il modello rappresenta la polisemia* (una parola, molti significati) senza mai fondere insieme i significati. Un senso può essere collegato o meno a un concetto; il collegamento è il campo concept_id, ed è nullabile per progetto — un senso non collegato viene conservato e mostrato come orfano invece di essere collocato al suo posto a forza di congetture [H] (schema; note della pipeline, dicembre 2025).

• Concetto — un significato, condiviso tra le lingue: il concetto

«gatto domestico» identificato dall'URI del synset del Princeton WordNet princeton-wordnet:02121620-n [H] (database live). È sui concetti che avviene l'allineamento multilingue: il gato spagnolo (uno dei suoi sensi), il cat inglese, il chat francese, il Katze tedesco e il 猫 giapponese possono puntare tutti allo stesso concetto — sono «un'unica stella» con molti nomi (sezione 8). La tabella dei concetti è il cuore del sistema e, nel database attuale, contiene 96,434 righe [H] (misura, 6–7 settembre 2026).

• Relazione — una connessione tipizzata e diretta tra due concetti, p.

es., gatto-domestico IS_A felino, o felino IS_A carnivoro. Le relazioni portano con sé un predicato, una confidenza e una fonte. Il database attuale ne contiene 171,672 [H] (misura, 6–7 settembre 2026).

Intorno a questi cinque c'è la macchina della provenienza — una tabella source che registra da dove viene ogni dataset, la sua licenza e il suo URL (così nessuna affermazione nel database resta mai senza attribuzione), tabelle dei synset che fanno da ponte verso il formato OMW e tabelle di supporto per i kanji e le letture [H] (schema, settembre 2026).

5.2 Il problema dell'allineamento, e perché non viene finto

Il problema intellettuale centrale di una mappa multilingue del significato è l'allineamento: decidere che questo senso di questa parola in questa lingua è lo stesso significato di quel senso di quella parola in quella lingua. La risposta di Lingua Mundi, ereditata dalla concezione dell'OMW, è di non deciderlo da zero: l'OMW dichiara già, per ogni lingua, quali suoi synset corrispondono ai synset del Princeton WordNet, quindi il database importa quelle mappature esplicite come suo strato di allineamento primario [H] (Bond & Foster, 2013; codice di importazione). Dove non esiste una mappatura esplicita, il sistema applica la sua gerarchia di confidenza a cinque livelli (dalla specifica del luglio 2026): i collegamenti dichiarati esplicitamente dalla fonte sono i più alti in classifica; i collegamenti inferiti sono i più bassi e vengono memorizzati con il loro livello — mai promossi silenziosamente a «fatto» [H] (specifica, 24 luglio 2026). È la forma matura della regola di dicembre che l'autore scarabocchiò nel codice della sua pipeline: «zero euristiche». Non è che il sistema non faccia mai congetture; è che le congetture sono etichettate come congetture, ed è questo che rende il database abbastanza onesto da crescere: una congettura sbagliata marcata come congettura può essere trovata e corretta; una congettura sbagliata memorizzata come fatto avvelena tutto ciò che viene dopo.

La stessa filosofia governa la granularità delle lingue. ISO 639-3 distingue le lingue reali, non i confini politici o le varianti di scrittura. L'autore ha segnalato un caso davvero difficile per il futuro: il coreano, il cui unico codice ISO kor copre sia lo standard della Repubblica di Corea sia lo standard della Repubblica Popolare Democratica di Corea. I documenti superstiti mostrano che questo è stato segnalato come decisione di modellazione aperta [H] (registro di sessione, 7 settembre 2026) — un esempio del principio dello schema per cui si memorizzano lingue, non locali, e un promemoria che i dati linguistici del mondo reale resistono a ordinate scatole da una riga per lingua.

5.3 Il grafo: tassonomie, vicinanze e coda lunga

Una volta che i sensi sono allineati ai concetti e le relazioni collegano i concetti, il database è un grafo: 96,434 nodi-significato uniti da 171,672 archi tipizzati, la cui componente più grande è la tassonomia is-a ereditata da WordNet (mammifero → carnivoro → felino → gatto domestico), arricchita da relazioni di istanza, di parte e translinguistiche [H] (misura, settembre 2026; schema). Tre fatti matematici su questi grafi danno forma all'interfaccia utente e all'ingegneria:

1. Le tassonomie sono alberi di significato. Poiché i genitori di ogni

concetto sono noti, il sistema può rispondere a «di che cosa è un tipo?» (salire) e «quali tipi esistono di questo?» (scendere) — le operazioni dietro la lente tassonomica dell'interfaccia (sezione 8).

1. Le distribuzioni dei gradi sono zipfiane. I grafi linguistici reali

sono più o meno senza scala: pochi concetti (come «animale», «persona», «cosa») hanno vicinanze enormi, mentre la maggior parte dei concetti ha una manciata di vicini. Questa «coda lunga» è la stessa forma statistica che Zipf misurò famosamente nelle frequenze delle parole (Zipf, 1949): un piccolo numero di parole spiega la maggior parte degli usi. Ne conseguono due scelte progettuali: la graduatoria deve esistere (non puoi mostrare 30,000 significati per una query), e la graduatoria deve essere significativa — l'interfaccia classifica quindi i concetti per la loro luminosità nel cielo, un indicatore di quanto un significato sia «importante» o ben collegato (sezione 5.5).

1. I percorsi più brevi sono la via naturale della traduzione. Dati due

concetti, il grafo può essere cercato per trovare un percorso che li collega — l'operazione dietro lo strumento del sestante dell'interfaccia (sezione 8.4), implementata come ricerca bidirezionale in ampiezza con limiti sulla tassonomia (≤ 10 salti, 25 vicini per nodo, risposta in millisecondi) [H] (codice, misura live, settembre 2026).

5.4 Zipf e la forma dei dizionari

La legge di Zipf merita una menzione esplicita perché spiega silenziosamente l'intera architettura delle prestazioni. Se le frequenze delle parole seguono una legge di potenza, allora ogni dizionario è dominato da una breve testa di parole comuni e da una coda astronomicamente lunga di parole rare. Il manoscritto del giugno 2026 aveva persino derivato un calcolo di copertura basato su Zipf per i vocabolari di concetti [H] (audit del manoscritto V7, 1 giugno 2026). Per il database, la coda lunga significa: la maggior parte delle righe sono parole rare, la maggior parte delle query colpiscono parole comuni, e qualsiasi query che debba scansionare l'intera tabella — comprese tutte le parole rare — è catastroficamente più lenta di una query che può partire da una graduatoria precalcolata. Il modello delle viste materializzate della sezione 7 è, in fondo, un modo di trasformare la legge di Zipf da nemico delle prestazioni in strumento progettuale: cuocere la testa (la graduatoria, le parole migliori per concetto) una volta sola, e lasciare che la coda resti nelle tabelle relazionali per le ricerche rare che ne hanno davvero bisogno.

5.5 La luminosità nel cielo: una sola graduatoria per governare la mappa

La metafora organizzativa dell'interfaccia è una mappa stellare (sezione 8), e la metafora è sostenuta da un calcolo reale. A ogni concetto è assegnata una luminosità — una magnitudine numerica usata per ordinare il cielo — derivata dalla sua posizione nel grafo multilingue: quante lingue hanno parole collegate, quanto sono ricchi quegli insiemi di parole e quanto il concetto è prominente nella tassonomia. Il database materializza tutto questo come concept_sky_rank, un ordinamento precalcolato di tutti i 96,000+ concetti, così che «dammi il cielo» non richieda mai di ordinare un milione di righe al momento della richiesta [H] (script e misura, 6 settembre 2026). Due viste compagne — concept_lang_rank (graduatorie per lingua) e concept_word_rank (le prime quattro parole per concetto e per lingua, «cotte» così che arricchire una stella con le sue parole sia una ricerca puntuale, non una join su 1.6 milioni di sensi) — completano il sistema di graduatorie [H] (script, 6 settembre 2026; conteggi di righe nell'appendice A).

5.6 Lavoro limitato: la disciplina del game designer applicata a un database

L'ultimo principio progettuale è preso in prestito dai videogiochi. Un gioco renderizza un frame in 16 millisecondi per quanto grande sia il mondo: mette a budget il lavoro per frame. Lingua Mundi applica la stessa disciplina — lavoro limitato per query su uno spazio di dati illimitato — perché lo richiede il suo hardware (un portatile di generazione 2014; sezione 9). Nessuna richiesta può scansionare l'intero corpus; ogni richiesta deve partire da un indice o da una vista cotta; l'interfaccia deve renderizzare solo quando l'utente fa qualcosa (CPU a riposo ≈ 0%); e i risultati sono paginati con finestre stabili. Le sezioni 6 e 7 mostrano i tre muri delle prestazioni in cui questa disciplina si è imbattuta e come ciascuno sia stato risolto con lo stesso modello: cuocere, non ricalcolare.

6 · Architettura: importare il mondo, servire la mappa

6.1 La pipeline: un registro, più di venti importatori

Ogni dataset entra in Lingua Mundi attraverso un importatore — un programma che sa leggere un formato esterno e scriverlo nello schema canonico. L'unica lista autorevole degli importatori vive in un file, il registro degli importatori; entro settembre 2026 conteneva più di venti plugin registrati che coprono: il Princeton WordNet e il WordNet inglese, l'Open Multilingual Wordnet (OMW), Wiktionary e la sua derivata leggibile da macchina kaikki, Wikidata, UniMorph e J-UniMorph (morfologia), i treebank di Universal Dependencies (UD), OpenThesaurus (sinonimi tedeschi), il dizionario di pronuncia CMU, le scomposizioni di caratteri IDS, i dati cross-linguistici CLICS, gli elenchi di frequenza delle parole e la famiglia giapponese — JMdict, EJDict, KANJIDIC2 [H] (registro degli importatori e note di progetto, accesso del 6–7 settembre 2026). (Una precisazione per l'esattezza: nella directory degli importatori esiste una cartella per i corpus paralleli OPUS, ma è uno stub vuoto e non registrato, in attesa dello strato delle frasi della roadmap — è elencata qui per onestà, non come fonte effettivamente caricata [H] (inventario del codice, 6–7 settembre 2026).) Ogni importatore registra le proprie lingue target contro gli stessi codici ISO, ed è questo che mantiene lo schema indipendente dalla lingua nella pratica, non solo in teoria [H] (codice).

Le importazioni sono supervisionate da una pipeline che esegue ogni fonte, registra il job di importazione e — in modo cruciale per la sezione 7 — dichiara il successo. Dopo ogni importazione aggiorna le viste di graduatoria (sezione 5.5), così che il «cielo» rifletta sempre i dati più freschi [H] (script, settembre 2026).

6.2 Il corpus oggi (misurato)

Misura SQL diretta del database live il 6 settembre 2026 alle 23:02 Central Time, riverificata il 7 settembre 2026 (entrambi i conteggi identici) [H]:

Peso lessicale per lingua (audit di arricchimento, 6 settembre 2026 [H]):

Due precisazioni oneste devono stare accanto a questi numeri. Primo: le cifre per lingua sono approssimative (arrotondate dall'audit); i conteggi SQL a livello di tabella sono esatti nell'istante della misura. Secondo: il corpus è a strati: alcuni dataset (kaikki di Wiktionary e gli elenchi di frequenza delle parole) sono stati deliberatamente limitati a 50,000 righe per run di importazione, con una copertura più profonda fornita da altre fonti, e quel tetto è documentato invece di essere nascosto [H] (audit, 6 settembre 2026). La sezione 7 mostra che cosa succede quando un tetto simile non è stato documentato come rischio.

6.3 La superficie dell'API

Il sistema espone una piccola API HTTP deliberatamente congelata (FastAPI), la cui superficie di Fase 0 è documentata come immutabile man mano che arrivano le nuove fasi [H] (nota di progetto, 29 agosto 2026). Gli endpoint, verificati live nel settembre 2026 [H]:

• /languages — elenca le lingue live e i loro metadati;
• /lexemes e /concepts — query di elenco paginate (limit/offset, limitate

a 1,000 per pagina dopo che un audit di agosto–settembre le ha trovate senza limiti);

• /analyze — analisi morfologica/lessicale di una parola;
• /kanji e /lookup — le ricerche giapponesi di kanji e di dizionario;
• /graph/sky — il feed della mappa stellare: concetti classificati per

luminosità nel cielo, con parametri per la ricerca (query, lang), la profondità (skip/livello), l'eventuale allegato delle parole membro (words) e una lente tassonomica (anchor, lens=up|down) che sale o scende lungo l'albero is-a a partire da un concetto;

• /graph/star/{id} — una stella per intero: le sue parole membro per lingua

e i suoi concetti vicini, entrambi paginati;

• /graph/path — la ricerca a grafo con limiti (sezione 5.3) tra due

concetti;

• /graph/word — la «lente sulla parola»: data una parola e una lingua, i

concetti a cui i suoi sensi sono attualmente collegati.

Tutte le risposte sono compresse (gzip), e ogni query è progettata per partire da un indice o da una vista materializzata — la regola del «lavoro limitato» della sezione 5.6 [H] (codice e header live, settembre 2026).

6.4 Perché il progetto è indipendente dalla lingua nel database, non solo sulla carta

Il lettore ora può vedere l'intero ciclo. Una nuova lingua arriva come una riga language (per esempio, il mandarino, codice cmn) più dataset registrati (il wordnet OMW del mandarino, un treebank UD del mandarino). Gli importatori scrivono i suoi lessemi, i suoi sensi e — dove esistono l'OMW o altre mappature esplicite — i suoi collegamenti senso→concetto. Le viste di graduatoria si ricalcolano; il cielo guadagna una nuova lingua; nessuna tabella cambia; nessuna migrazione; nessun caso speciale nell'API. La prossima famiglia prevista lungo questo stesso percorso — mandarino, cantonese, coreano e vietnamita — è descritta nella sezione 10.3, dove è registrata la ricognizione di disponibilità dei dati che deciderà la sua pianificazione [H] (registro di sessione, 7 settembre 2026). La promessa del progetto — «aggiungere lingue all'infinito» — non è quindi marketing: è la conseguenza diretta dello schema.

7 · Due lezioni di infrastruttura: «cuocere, non ricalcolare» e «fallire ad alta voce»

Ogni progetto con un database prima o poi incontra i propri muri delle prestazioni. Lingua Mundi ne ha incontrati tre in una settimana — e poi ha scoperto che il problema più interessante non era la velocità ma il silenzio. Questa sezione racconta entrambe le storie, perché insieme sono le lezioni ingegneristiche più trasferibili del progetto.

7.1 Il modello: cuocere, non ricalcolare

La regola che ha risolto tutti e tre i muri delle prestazioni è abbastanza semplice da enunciare in una frase: quando molte query hanno bisogno dello stesso calcolo costoso, calcolalo una volta, conserva il risultato e tienilo aggiornato — non ricalcolarlo per ogni query. In termini di database, Lingua Mundi usa le viste materializzate di PostgreSQL: tabelle precalcolate che si comportano come indici pieni di risposte.

• Muro 1 — classificare il cielo. In origine, chiedere la mappa stellare

predefinita costringeva il database a riclassificare l'intero corpus per ogni richiesta: circa 8.6 secondi ogni volta sul portatile di generazione 2014 del progetto. La correzione ha «cotto» la graduatoria in concept_sky_rank e concept_lang_rank (94,498 e 218,120 righe precalcolate), dopo di che il cielo predefinito rispondeva in ~0.25 s e le richieste più profonde in decine di millisecondi [H] (misurato, 6 settembre 2026).

• Muro 2 — dare un nome alle stelle. Chiedere il cielo *con le sue

parole* allegate (le parole migliori per concetto e per lingua) richiedeva una join su 1.6 milioni di sensi a ogni richiesta; con 1,000 stelle la query impiegava più di un minuto — un caso patologico. La correzione ha «cotto» le parole stesse: concept_word_rank precalcola le prime quattro parole per concetto e per lingua (338,378 righe alla creazione), trasformando una join da oltre un minuto in una ricerca di ~1.1 s e la vista predefinita in ~0.25 s [H] (misurato, 6 settembre 2026).

• Muro 3 — gerarchia e paginazione. Salire e scendere la tassonomia

(lente su/giù) e scorrere le pagine in finestre stabili di stelle sono state risolte con predicati canonici, ordinamenti per indice e finestre di paginazione stabili (query in stile DISTINCT ON) invece che con un database a grafo — il frutto della decisione di agosto dello «stack snello» (sezione 4.5) [H] (codice e misure, 6 settembre 2026).

Dopo ogni importazione le viste si aggiornano automaticamente, così che «cotto» non significhi mai «stantio» [H] (script). L'intero modello è un'istanza nativa del database di ciò che gli sviluppatori di giochi chiamano budgeting: il lavoro costoso avviene una volta sola, fuori dal percorso critico, e la richiesta dell'utente legge soltanto risposte precalcolate.

7.2 Il troncamento silenzioso che ha nascosto cat

Verso fine agosto 2026 lo strato inglese del corpus è stato importato con un tetto di righe che nessuno aveva intenzione di rendere un tetto. Lo script di importazione supervisionato ha limitato l'importazione dell'Open Multilingual Wordnet inglese a 50,000 candidati — e poi ha dichiarato il successo [H] (registro di sessione, 6 settembre 2026, voce sull'analisi delle cause). La parola inglese cat è il candidato numero 52,195 nell'ordine alfabetico del file. È stata tagliata fuori. Circa 21,830 dei 117,659 synset inglesi non sono mai stati creati; per quei significati, i sensi inglesi esistevano come voci grezze di dizionario ma non sono mai stati collegati ai concetti. La parola cat non mancava dal database — era invisibile alla mappa: una ricerca del suo significato non poteva trovarla, perché il nodo-significato a cui i suoi sensi avrebbero dovuto puntare non era mai stato costruito [H] (stessa fonte).

Per circa sei giorni nessuno lo seppe. La demo a cui l'autore teneva — cat · gato · 猫 su un'unica stella — funzionava in spagnolo e in giapponese ma tornava vuota in inglese, e il risultato vuoto sembrava un vuoto nei dati — come se all'inglese mancasse la parola. (Una nota sui tempi tratta dai documenti: il cielo multilingue stesso è arrivato solo quando integrate_core6.py ha finito di collegare le lingue importate verso la fine del run di importazione di agosto–settembre — prima di allora il cielo di riserva era una piccola vista monolingue — ed è per questo che il buco inglese è affiorato soltanto ai primi di settembre, una volta che la vista dei concetti condivisi era davvero live [H] (registro di sessione, 6 settembre 2026).) L'insistenza dell'autore stesso, registrata nel registro di sessione, era che si trattava di «non un vuoto nei dati — è infrastruttura» [H] (registro di sessione, 6 settembre 2026). Aveva ragione. Il guasto non era nei dati ma nell'onestà della pipeline: un'importazione troncata aveva dichiarato il successo, e niente nel sistema era progettato per accorgersi che quel «successo» con un tetto di 50,000 righe significava un fallimento per il candidato 52,195.

7.3 La correzione: una catena di riparazione idempotente e senza tetto

La riparazione — progettata e lanciata il 6–7 settembre 2026 e verificata come completa l'8 settembre 2026 (si veda la sezione 10.1) — è un modello di come correggere una pipeline di dati senza perdere dati né fiducia [H] (script e registro di sessione, 6–7 settembre 2026):

1. reimportare il WordNet inglese senza il tetto — in modo idempotente,

così un run interrotto può essere semplicemente rilanciato senza duplicare le righe;

1. rieseguire le relazioni synset-synset per i synset appena creati;
2. integrare: promuovere i nuovi synset a concetti, collegare i campi

concept_id dei sensi membri e riesprimere le relazioni tra concetti;

1. aggiornare le viste materializzate, così che la mappa rifletta il

corpus riparato; e

1. verificare end-to-end con uno script di accettazione che dimostra,

dal database e attraverso l'API live, che la parola inglese cat raggiunge il concetto del gatto domestico princeton-wordnet:02121620-n insieme ai suoi membri multilingue — gato, chat, Katze, 猫 — e che il concetto ha genitori nella tassonomia. Il controllo di accettazione è progettato per essere rieseguito in qualsiasi momento e per terminare con un sonoro PASS o FAIL.

Poiché ogni passo è stato scritto per essere idempotente (get-or-create, skip-if-exists), un crash della macchina a metà riparazione costa soltanto tempo: la catena può essere rilanciata e porterà a termine il lavoro. La stessa proprietà protegge il database live dagli stati parziali.

7.4 La lezione: fallire ad alta voce contro fallire in silenzio

L'episodio di cat è un caso da manuale di un problema che ogni data engineer teme: una pipeline che fallisce in silenzio e dichiara il successo. La lezione metodologica — che un tetto di righe non è un criterio di successo e che gli importatori devono verificare la completezza, non solo il completamento — vale la pena di enunciarla come principio generale per l'infrastruttura dei dati aperti, dove i dataset arrivano senza garanzie e le pipeline sono assemblate a mano. La risposta di Lingua Mundi è stata istituzionalizzata in due forme: lo script di accettazione che qualsiasi futura catena di importazione può eseguire, e la regola permanente dello studio secondo cui le affermazioni non verificate sono etichettate come non verificate — nel database (sensi orfani tenuti visibili, livelli di confidenza sui collegamenti) e in ogni documento scritto (la convenzione [H]/[O]/[NV] di questo articolo, appendice A). Un sistema che può mostrare i propri orfani è un sistema i cui vuoti possono essere trovati. Un sistema che li nasconde è un sistema i cui vuoti verranno trovati — prima o poi, dalla persona peggiore possibile: un utente che cerca cat.

8 · L'interfaccia: una mappa stellare del significato

I dati da soli non sono un prodotto. La domanda che ha dato forma all'interfaccia di Lingua Mundi era semplice: che cosa dovrebbe sembrare guardare una mappa del significato? La risposta dell'autore, sviluppata nella prima settimana di settembre 2026, è che dovrebbe sembrare di guardare un cielo — e, più precisamente, la carta di un pianeta del tesoro immaginario: una mappa cartacea esplorabile di un universo in cui ogni stella è un'idea, e le lingue sono i telescopi che scegli per guardarla [H] (registri di sessione, 1–7 settembre 2026). Questa sezione descrive l'interfaccia che ne è risultata: la sua metafora pedagogica, il suo linguaggio visivo, i suoi strumenti e la disciplina ingegneristica che permette a tutto questo di girare su un portatile del 2014.

8.1 Dalla pagina di dizionario al cielo: dare un nome al prodotto

L'interfaccia ha attraversato tre identità in due settimane, e i nomi seguono l'evoluzione del prodotto [H] (registri di sessione, 31 agosto – 6 settembre 2026). È cominciata come una normale pagina di dizionario ("/gui/", chiamata Osservatorio il 31 agosto), è diventata il Planetario il 1 settembre, quando le importazioni dei dati sono finite ed è apparsa una visualizzazione a campo di stelle, e — dopo che l'autore ha guardato il risultato e ha dichiarato le stelle «impalcatura, non il prodotto» — nella notte del 6 settembre è virata verso un esploratore del grafo semantico: lo stesso cielo, ma ora il punto era il significato, con nodi che sono concetti etichettati nelle lingue che abiliti, archi colorati per famiglia di relazioni e una ricerca che disambigua i sensi. La vecchia vista del cielo è stata conservata ma scollegata; l'esploratore è diventato il volto predefinito di Lingua Mundi [H] (registro di sessione, 6 settembre 2026).

8.2 La metafora pedagogica: uno strumento, non una dashboard

Ogni elemento dell'interfaccia corrisponde uno-a-uno a un concetto dell'astronomia e del progetto linguistico stesso — una concezione deliberatamente pedagogica (la tabella delle metafore è la documentazione interna del prodotto) [H] (registri di sessione, 6–7 settembre 2026):

Niente di tutto questo è decorazione; la brief di design dell'autore per lo strumento è citata nei registri e merita di essere ripetuta: l'interfaccia dovrebbe essere «un vero strumento di scoperta, non un giocattolo» — una mappa di tutte le lingue che uno studente o una studentessa o un ricercatore possa esplorare davvero — e le sue fonti dovrebbero comportarsi come una mappa cartacea esplorabile, non come una dashboard [H] (registri di sessione, 6 settembre 2026). Nello stesso spirito, i pannelli degli strumenti sono deliberatamente skeuomorfi: manopole di ottone dell'esposizione, misure con il sestante, rotte tracciate, un timbro dell'epoca — l'estetica di un vecchio osservatorio, scelta per insegnare con il tatto piuttosto che con le etichette dei menu.

8.3 Che cosa c'è sullo schermo

L'esploratore, verificato end-to-end nel settembre 2026 [H], offre:

• Ricerca con disambiguazione dei sensi. Digitare gato (spagnolo)

restituisce stelle-significato; ogni risultato può mostrare quali parole in quali lingue condividono il significato — il pannello della stella del gatto domestico mostra i suoi membri multilingue del synset, p. es. il cat e il grimalkin inglesi, il Katze tedesco, il 猫 giapponese (sezione 8.5).

• Viaggio. Fai clic su una stella (oppure shift-clic o premi il tasto di

misura) per portarla a fuoco; il cielo si ricentra su di essa e appare il suo vicinato.

• Il pannello della stella. I membri per lingua della stella a fuoco, la

sua definizione e i suoi vicini — con paginazione per i vicinati grandi.

• La lente tassonomica. Sali ai genitori di una stella («di che cosa è

un tipo?») o scendi ai suoi figli («quali tipi di questo esistono?») lungo i predicati canonici della famiglia is-a.

• Gli strumenti (tutti live e verificati): la **manopola

dell'esposizione allarga il campo della stella a fuoco a passi (90 → 180 → 360 → 720 → 1,000 stelle), fondendo il cielo più ampio senza dover rifare il viaggio; il sestante misura un percorso a grafo con limiti tra due stelle (la ricerca /graph/path della sezione 5.3), tracciando una rotta dorata tratteggiata attraverso il cielo e registrando ogni tappa; i segnalibri celesti (skymarks) fissano le stelle (conservati localmente, così la tua mini-costellazione sopravvive ai ricaricamenti); la bussola delle parole circonda la stella a fuoco con chip di parole — uno per ogni lingua abilitata, cliccabile per cambiare la lingua di ricerca; e il giornale di rotta, il rilevamento verso casa, il timbro dell'epoca e il reticolo ti tengono orientato [H]** (registro di sessione, 7 settembre 2026).

• L'affordance di supporto. Un controllo «✦ support» apre la finestra

delle donazioni (sezione 10).

8.4 Ingegnerizzare il cielo su hardware del 2014

La bellezza dell'interfaccia è subordinata a un vincolo duro: deve girare senza intoppi su una macchina con un processore di generazione 2014, 8 GB di RAM e un disco meccanico — la stessa macchina che ospita il database. L'ingegneria che rende tutto questo possibile merita di essere documentata perché è la stessa disciplina del lavoro limitato della sezione 7, applicata ai pixel [H] (audit e registri di sessione, 6–7 settembre 2026):

• La pagina renderizza solo su input. L'uso della CPU a riposo è ~0%;

nulla si anima a meno che l'utente non faccia qualcosa. Non c'è animazione perpetua — una scelta deliberata sotto il «budget della patata» (sezione 9).

• La nebulosa è cotta. Lo sfondo decorativo (fioriture e polvere in

viola, verde acqua e rosa) è dipinto una volta per ogni ridimensionamento e poi messo in cache, con parallasse della camera al ridisegno, invece di essere ricalcolato per frame.

• Le etichette sono razionate. Solo ~24 etichette di stelle sono

disegnate per frame — un budget di etichette — che mantiene i ridisegni economici e il testo leggibile [H] (il codice dell'interfaccia limita i posizionamenti con MAX_LABELS = 24; gui/planetarium-v1.html).

• Le richieste sono protette. Token di risposta stantii e controlli di

interruzione annullano le query in volo quando l'utente passa oltre; i doppi clic rimandano le azioni del clic singolo, così non parte nessun fetch sprecato; i ridimensionamenti sono debounced e il rapporto pixel della canvas è limitato (riducendo la memoria di un ridimensionamento da ~24 MB a ~11 MB a 1080p).

• L'accessibilità è esplicita: i ruoli della canvas e le etichette aria,

il supporto al movimento ridotto e la navigazione da tastiera sono stati aggiunti nella stessa passata della rifinitura visiva [H] (registro di sessione, 7 settembre 2026).

8.5 La demo che tiene tutto insieme

La dimostrazione corrente del progetto è la parola cat — o meglio il concetto a cui appartiene. Cerca il gato spagnolo nell'esploratore, viaggia fino alla stella, e il pannello mostra il synset princeton-wordnet:02121620-n con i suoi membri nelle lingue live. Il sottoinsieme effettivamente verificato end-to-end nei controlli headless del 6–7 settembre 2026 è registrato nel log dei test — il cat, il grimalkin e il felis silvestris catus inglesi (il nome scientifico che WordNet conserva), il Katze tedesco, il gato spagnolo, il 猫 giapponese — e le liste di membri più ampie che il database conserva per quel synset (p. es. l'inglese housecat, mouser, puss, tomcat; il francese chat, chatte; il tedesco Kater; il giapponese ネコ; il portoghese gato, bichano) provengono dall'appartenenza wordnet importata, non dal log end-to-end; un lettore che voglia l'enumerazione completa e attuale può rieseguire la query di accettazione della sezione 7.3 [H con [NV] sulla coda non testata] (log E2E headless e database live, 6–7 settembre 2026). Una stella, sei lingue, un significato: l'intuizione di dicembre 2025, visibile sullo schermo. Il lato inglese di questa dimostrazione è esattamente ciò che il bug della sezione 7.2 ha rotto per un po': una ricerca di gato guidata dallo spagnolo ha raggiunto la stella per tutto il tempo, mentre una ricerca di cat guidata dall'inglese funziona solo dopo la riparazione della copertura, e lo script di accettazione della sezione 7.3 esiste proprio per dimostrare, su richiesta, che cat · gato · 猫 condividono la loro stella.

9 · Il banco di lavoro: strumenti, flusso di lavoro e la macchina «patata»

Una storia di progetto è incompleta senza il banco di lavoro su cui è stata costruita. Il banco di lavoro di Lingua Mundi è insolito, e i vincoli che ha imposto hanno plasmato quasi ogni decisione ingegneristica di questo articolo.

9.1 La patata

La macchina che ospita il database, l'API, l'interfaccia e l'ambiente di sviluppo è un unico portatile consumer: un ASUS X751MA con Intel Pentium N3540 (Bay-Trail, quattro core, senza AVX2), 8 GB di RAM (7.6 GiB utilizzabili), un disco rigido a 5400 rpm e un collegamento internet in salita di circa 47 KB/s — rilevati dal vivo per questo articolo il 7 settembre 2026 ([H], lscpu//proc/meminfo sulla macchina stessa). Le note del progetto descrivono questa stessa macchina ora come un Atom Z36xx/Z37xx, ora come un Pentium N3540 — la stessa famiglia di silicio Bay-Trail sotto nomi diversi [O]; i registri di chat precedenti del 2026 citano anche un profilo diverso (una macchina Intel Jasper Lake "N5105"), che la sezione 10.2 elenca come conflitto irrisolto dei registri hardware. Lo studio chiama la macchina live, con affetto, la patata — e da lì è nata una regola che compare in tutti i registri: una sola operazione pesante alla volta, wrapper protetti per la memoria, niente animazione perpetua, niente infrastruttura prematura (sezione 4.5), e ogni lavoro pesante eseguito come script scollegato e auto-avvisante che riferisce quando ha finito invece di essere interrogato a polling [H] (registri di sessione e tooling, settembre 2026). Il modello «cuocere, non ricalcolare» (sezione 7), l'interfaccia solo-su-input (sezione 8.4) e la superficie di ricerca a costo zero di LLM (sezione 9.4) sono tutti, in fondo, conseguenze della patata — la prova che un budget tirato può essere una virtù progettuale, non un limite.

9.2 Lo stack software

Il sistema in funzione (verificato dal vivo, settembre 2026 [H]): PostgreSQL 16 come unico datastore (sezione 4.5), FastAPI (Python) come strato API, SQLAlchemy + Alembic per modelli e migrazioni, script Python per gli importatori e la gestione delle viste materializzate, e una piccola interfaccia web senza dipendenze (HTML/CSS/JavaScript) servita dalla stessa origine. La macchina ausiliaria comprende servizi utente di systemd che tengono in funzione l'API e la guardia di memoria/temperatura (sezione 9.5), un backup GitHub quotidiano del codebase, una base di conoscenza Obsidian come memoria del progetto (sezione 9.3), controlli end-to-end con Chromium headless per l'interfaccia e il tooling detach-run + notify dello studio per i job in background auto-avvisanti [H] (inventario di servizi e tooling, settembre 2026).

9.3 La base di conoscenza: una memoria di progetto verificabile

Dal 26 agosto 2026 l'autore e i suoi agenti hanno mantenuto una base di conoscenza strutturata (un vault di Obsidian) in cui ogni sessione di lavoro è registrata: lavoro svolto, decisioni prese, azioni successive e il file da cui proviene ogni fatto, con frontmatter che registra la provenienza e un flag verified: true/false [H] (convenzioni del vault, agosto–settembre 2026). Il vault è il motivo per cui questo articolo può citare date e citazioni: quando questa bozza dice «registro di sessione, 6 settembre 2026», indica un file che esiste, è stato scritto quel giorno e porta con sé le proprie note sulla fonte. Due convenzioni di quel vault meritano una menzione come metodo: ogni affermazione dovrebbe dichiarare la propria fonte, e la storia non viene mai inventata — il materiale non confermato viene conservato ma marcato come non verificato [H] (convenzioni del vault). Quelle convenzioni sono le convenzioni di questo articolo (appendice A).

9.4 Ricerca a zero token e la regola del local-first

La regola permanente dell'autore — visibile nella nota di progetto del 29 agosto 2026 — è che l'API locale è la superficie di ricerca: /lexemes, /concepts, /analyze rispondono alle domande sul corpus con zero token di LLM spesi [H]. Lo stesso istinto local-first governa i dati (tutto auto-ospitato; niente dipende da un fornitore), il denaro (solo livelli gratuiti e dati aperti; sezione 10) e la privacy (i segreti non escono mai dalla macchina; la base di conoscenza è privata) [H] (registri di sessione, settembre 2026).

9.5 Protezioni su una macchina fragile

Poiché la patata non ha margine, lo studio ha costruito protezioni che sono esse stesse parte della storia ingegneristica: una guardia di memoria/temperatura (tools/mem-manager.sh, v2, live il 7 settembre 2026) che avvisa sotto i 900 MiB di memoria disponibile o gli 80 °C e scarica le unità opzionali in background sotto i 500 MiB o gli 88 °C, più un killer early-oom a livello di sistema (earlyoom -m 8 -s 5, cioè interviene quando la memoria libera crolla sotto l'8%, con una cadenza di 5 secondi) [H] (configurazione live: soglie di mem-manager.sh e /etc/default/earlyoom, lette il 7 settembre 2026). Le regole operative dello studio evitano che quelle protezioni debbano mai intervenire: una sola operazione pesante alla volta, wrapper protetti per la memoria e job scollegati auto-avvisanti per tutto ciò che è di lunga durata. Le riparazioni lunghe sono scritte per essere idempotenti (get-or-create, skip-if-exists), così che qualsiasi interruzione — un riavvio, un calo di corrente, lo scatto di una protezione — costi soltanto tempo: la riparazione può essere semplicemente rilanciata e porterà a termine il lavoro (sezione 7.3). La stessa disciplina tratta la concorrenza stessa come una risorsa da mettere a budget, come la memoria o il disco.

9.6 Governance: licenze, attribuzione e la decisione del «gratis per sempre»

Ogni dataset di Lingua Mundi è entrato con la propria licenza registrata (l'inventario docs/DATA_LICENSES.md del repository; la tabella source del database live) [H]: WordNet (permissiva), l'Open Multilingual Wordnet (licenze per lingua, prevalentemente CC BY-SA e CC BY), Wiktionary e kaikki (CC BY-SA, con termini legacy GFDL), Wikidata (CC0), UniMorph (CC BY-SA 3.0), Universal Dependencies (CC BY-SA 4.0), JMdict/KANJIDIC2 e la famiglia EDRDG (permissive, con attribuzione), OPUS (per dataset), CLICS e gli elenchi di frequenza delle parole (per fonte), e così via [H] (inventario delle licenze, accesso settembre 2026). Il progetto ricambia: anche i propri output sono previsti come gratuiti.

Il modello di finanziamento si è evoluto pubblicamente in nove giorni tra fine agosto e inizio settembre 2026, e la documentazione mostra ogni passo [H] (registri di sessione e calendario, 29 agosto – 7 settembre 2026): un piano iniziale per vendere un'app di dizionario Core 6 offline (Texupan, $29 o $9/mese) il 29 agosto; un annuncio nel negozio con link di pagamento sullo store hub entro il 1 settembre; e — entro il 7 settembre — la decisione di rendere Lingua Mundi gratis per sempre, finanziata da donazioni volontarie, con il prodotto Stripe letteralmente chiamato "Lingua Mundi — keep it free forever", prezzi una tantum di €5/€15/€50 e mensili di €3/€9/€25, e un obiettivo annuale onesto di €2,400 per coprire l'infrastruttura e il lavoro sui dati della lingua successiva [H] (registro di sessione, 7 settembre 2026). L'account è stato deliberatamente impostato dormiente — donazioni disabilitate finché l'autore non completa la verifica d'identità del fornitore di pagamenti — così che «gratis per sempre» sia, nella formulazione dell'autore, un'affermazione verificabile, non uno slogan [H] (registro di sessione, 7 settembre 2026). La verifica d'identità è stata completata l'8 settembre 2026 e i sei link di pagamento sono entrati in funzione quella stessa mattina; sono pubblicati nella sezione finanziamenti dello store [H] (registro dell'account Stripe e cronologia dei link di pagamento, 8 settembre 2026). I testi pubblici seguono la regola della voce dello studio (nota in apertura) e la regola della comunicazione onesta: niente hype, niente rivendicazioni eccessive — la stessa disciplina che governa il database e questo articolo.

10 · Lo stato del progetto (7 settembre 2026), i suoi limiti dichiarati e la strada da percorrere

10.1 Stato attuale del sistema

Misurato direttamente contro il sistema live il 6–7 settembre 2026 [H] (si veda l'appendice A per le query esatte):

• Corpus (istantanea pre-riparazione, 6–7 settembre 2026): 96,434

concetti · 1,238,383 lessemi · 1,608,018 sensi · 171,672 relazioni, in sei lingue live (inglese, spagnolo, francese, tedesco, portoghese, giapponese) — i conteggi SQL riprodotti in modo identico in entrambe le date di misura.

• Corpus (post-riparazione, 8 settembre 2026): 125,980 concetti /

125,980 synset / 352,333 lessemi inglesi, come registrato nel report di riparazione (lm-en-coverage-REPORT-2026-09-08.txt, RESULT: PASS); i membri multilingue della stella cat princeton-wordnet:02121620-n spaziano su inglese, spagnolo, giapponese, tedesco e portoghese (cat, gato, 猫, Katze, Gato doméstico).

• Viste di graduatoria: concept_sky_rank 94,498 righe;

concept_lang_rank 218,120 righe; concept_word_rank 338,378 righe alla creazione (un ricalcolo live è stato negato al ruolo standard del database; marcato [NV]).

• Prestazioni: cielo predefinito ≈ 0.25 s a caldo (8.6 s prima delle

viste di graduatoria); query profonda da 1,000 stelle con parole ≈ 1.1 s (>60 s prima della vista delle parole); ricerche sul percorso a grafo in millisecondi; ricerca ≈ 0.5 s a caldo / ≈ 10 s a freddo sulla cache di pagina del disco rigido.

• Interfaccia: esploratore del grafo semantico live all'origine web

dell'API, con tutti gli strumenti (manopola dell'esposizione, sestante, segnalibri celesti, bussola delle parole, giornale di rotta, timbro dell'epoca) verificati da 23/23 controlli end-to-end con browser headless il 6–7 settembre 2026.

• Riparazione della copertura inglese: la catena — re-importazione senza

tetto del WordNet inglese, relazioni, integrazione, aggiornamento delle viste e verifica end-to-end (sezione 7.3) — è stata lanciata la mattina del 7 settembre 2026 ed è giunta a completamento l'8 settembre 2026 alle 22:19 (2026-09-08 22:19:12). Il suo gate di accettazione è passato: il report della catena stessa (lm-en-coverage-REPORT-2026-09-08.txt, RESULT: PASS) registra il senso inglese di cat collegato al concetto su princeton-wordnet:02121620-n, i cui membri multilingue includono cat, gato, 猫, Katze, Gato doméstico [H] (report, 8 settembre 2026).

• Governance: canale di donazioni live — verifica d'identità completata l'8 settembre 2026, sei link di pagamento pubblicati nello store;

codebase con backup quotidiano; base di conoscenza aggiornata.

10.2 Che cosa non si sa, onestamente, e che cosa resta irrisolto

Le convenzioni di verifica dello studio impongono a questo articolo di dire chiaramente che cosa non ha potuto verificare e di registrare le contraddizioni tra le fonti. Quelle importanti:

1. La discrepanza del «Core 6». L'insieme personale di lingue dell'autore

(registrato il 29 agosto 2026) è spagnolo, inglese, giapponese, francese, italiano e portoghese. Le sei lingue del database live sono inglese, spagnolo, francese, tedesco, portoghese e giapponese. Il tedesco ha sostituito l'italiano nel database senza alcuna spiegazione scritta superstite; la riga della lingua italiana e i dataset italiani erano stati registrati prima, ma la tabella live contiene il tedesco [H], con la ragione [NV] (si veda anche la sezione 4.2 sui livelli della specifica, che includevano mandarino e italiano ma non tedesco — tre insiemi di lingue pubblicati diversi in tre mesi).

1. Deriva dei conteggi del corpus nell'arco di un solo giorno. Un dossier

tecnico scritto il 6 settembre 2026 riporta 1,146,066 lessemi / 1,595,537 sensi, mentre la SQL diretta della stessa sera riporta 1,238,383 / 1,608,018 (concetti e relazioni identici: 96,434 / 171,672); il registro di sessione della stessa sera contiene una terza cifra, intermedia (≈1.15 milioni di lessemi), coerente con importazioni ancora in arrivo durante la giornata. Le somme per lingua quadrano con la cifra SQL, quindi i numeri del dossier sembrano provenire da un momento o da un filtro diverso; la discrepanza resta inspiegata nei documenti [H] con la riconciliazione [O]. Questo articolo cita le cifre SQL con la loro data.

1. Conflitto nei registri hardware. La macchina che ospitava il sistema

live nel settembre 2026 è stata rilevata direttamente per questo articolo come ASUS X751MA con Intel Pentium N3540 (Bay-Trail), 8 GB di RAM (sezione 9.1) [H]. La documentazione scritta è più disordinata: le note di progetto descrivono la macchina come un Intel Atom Bay-Trail (Z36xx/Z37xx) e come un Pentium N3540 — la stessa generazione di silicio sotto due nomi commerciali [O] — mentre i registri di conversazione precedenti del 2026 citano una macchina diversa, un Intel Jasper Lake "N5105" con 12 GB di RAM (gennaio 2026) e più tardi «un chip Jasper Lake 4» (maggio 2026) e «Intel Jasper Lake N5105, 4 GB» (file di memoria di metà 2026). Jasper Lake non è silicio Bay-Trail, quindi i documenti descrivono o due macchine diverse nell'arco dell'anno o un'etichettatura errata dell'assistente; l'evidenza superstite non può decidere quale delle due, e il punto è segnalato qui invece di essere spianato [H] con la riconciliazione [NV] (registri di sessione e registri delle conversazioni con l'IA, gennaio–settembre 2026).

1. Avvisi sulla qualità dei dati dall'audit di settembre: il corpus

contiene 178,576 coppie di lemmi duplicate; 124,790 lessemi senza senso; il 33.9% di definizioni vuote; e (prima della riparazione inglese) il 71.7% di sensi non ancora collegati ai concetti. Lo stesso audit ha rilevato che l'integrità referenziale reggeva ovunque (somme esatte, zero righe pendenti o orfane a livello di database): la cifra del 71.7% descrive sensi non ancora collegati a un concetto, lo stato di orfani visibili previsto dal progetto, non riferimenti rotti — una distinzione onesta che il progetto tiene deliberatamente visibile mentre continua il lavoro di allineamento [H] (audit, 5–6 settembre 2026).

1. Non misurato o in sospeso: le prestazioni su hardware diverso dalla

patata non sono mai state misurate; il progetto non ha ancora utenti pubblici, quindi non esistono metriche d'uso reale; la struttura legale dello studio non è documentata nei registri; la questione di modellazione delle «due Coree», la scarsità di dati per il cantonese e la revisione delle licenze del wordnet taiwanese restano aperte (sezione 10.3).

10.3 La strada da percorrere

La roadmap, approvata dall'utente il 29 agosto 2026, è la forma matura dei sette grafi del manoscritto di giugno [H] (nota di progetto): fonetica/ fonologia, morfologia (importata), sintassi (importata), semantica (importata), lessicografia (importata), corpora (importati) e — in coda — discorso, etimologia e gli strati di corrispondenza e uso, più la futura interfaccia web pubblica. Nel breve termine i piani documentati sono [H] (registri di sessione, 7 settembre 2026):

• La famiglia CJKV. Le prossime lingue previste per lo schema sono

mandarino (cmn), cantonese (yue), coreano (kor) e vietnamita (vie). La loro pianificazione dipende da una ricognizione di disponibilità dei dati onesta su ciò che offre il panorama dei dati aperti: esistono wordnet OMW di Wiktionary per il mandarino (19,079 righe), il cantonese (527), il coreano (9,268) e il vietnamita (5,498); treebank UD per il mandarino (123k token), il cantonese (14k), il coreano (80k GSD più 350k Kaist) e il vietnamita (58k). Il cantonese è quello scarso — nessun grande wordnet, treebank piccolo — e le licenze del wordnet taiwanese sono in revisione [H] (registro di sessione e inventario dei dati, 7 settembre 2026). Nessun dataset CJKV è stato importato nel corpus live alla data di questa bozza; i tempi della famiglia sono una decisione aperta in attesa di quella revisione.

• I pannelli dell'interfaccia research-v1 (lente sulla parola, risalita

genealogica, schede dei campi, taccuino, tabella di confronto) sono stati progettati e approvati sul backend il 6 settembre 2026 e messi in coda dietro la costruzione degli strumenti [H].

• Pubblicazione. Questo articolo è una bozza preliminare generata

dall'IA; la pubblicazione scritta da un essere umano è in sviluppo (nota in apertura).

• Lingue senza fine. La promessa dello schema — aggiungere una lingua

come una riga più i dataset — è l'obiettivo a lungo termine dichiarato del progetto, e la proposta di donazione lo dice chiaramente: Lingua Mundi parte con sei lingue, costruita per aggiungerne all'infinito [H] (registro di sessione, 7 settembre 2026).

10.4 Conclusione

Ciò che è cominciato il 3 dicembre 2025 come richiesta di file di dizionario gratuiti è oggi una mappa del significato in sei lingue, funzionante e interrogabile, costruita su dati aperti da una persona con strumenti gratuiti e un portatile del 2014. Le idee che l'hanno portata fin qui — che il significato è l'unità naturale dei dati multilingue; che l'allineamento deve essere esplicito ed etichettato, mai congetturato in silenzio; che i calcoli costosi dovrebbero essere cotti una volta e letti molte volte; che un vincolo di budget è uno strumento progettuale; che ogni affermazione, in un database o in un articolo, dovrebbe portare la propria fonte e la propria data — non sono nuove, ma sono vere, e il progetto dimostra che una persona può metterle in pratica. Il suo artefatto più prezioso potrebbe non essere affatto il database, ma la dimostrazione che un ricercatore solitario può costruire infrastruttura onesta in pubblico: misurando ciò che misura, datando ciò che data, mostrando i propri orfani e mantenendo la parola — una stella, sei lingue, e tutto il cielo ancora davanti.

Costruito in una caverna, con un mucchio di rottami.

Riferimenti

Edizione APA 7. I dettagli bibliografici sono stati verificati contro le pagine degli editori e i registri dei digital object identifier il 7 settembre 2026. Le fonti software e i dati sono citati secondo i formati APA per software/dataset. (Sono elencate solo le opere citate nel testo.)

Bond, F., & Foster, R. (2013). Linking and extending an open multilingual wordnet. In Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics (pp. 1352–1362). Association for Computational Linguistics. https://aclanthology.org/P13-1133/

Braille Institute of America. (2019). Atkinson Hyperlegible [Computer font]. https://brailleinstitute.org/freefont

Breen, J. W. (2004). JMdict: A Japanese-multilingual dictionary. In Proceedings of the Workshop on Multilingual Linguistic Resources (COLING 2004) (pp. 65–72). COLING. https://aclanthology.org/W04-2209/

Electronic Dictionary Research and Development Group. (n.d.). JMdict / EDICT Japanese–English dictionary project [Data files and documentation]. Retrieved September 7, 2026, from https://www.edrdg.org/jmdict/edict_doc.html

Fellbaum, C. (Ed.). (1998). WordNet: An electronic lexical database. MIT Press. https://mitpress.mit.edu/9780262561167/wordnet/

Gaia Collaboration, Brown, A. G. A., Vallenari, A., Prusti, T., de Bruijne, J. H. J., Babusiaux, C., … Zwitter, T. (2018). Gaia Data Release 2: Summary of the contents and survey properties. Astronomy & Astrophysics, 616, Article A1. https://doi.org/10.1051/0004-6361/201833051

Hernández, R. (2026, June 1). Lingua Mundi: A semantic infrastructure for concept-grounded language models (Versions 1–7) [Unpublished manuscript; revision and audit records preserved in the author's conversation-log archive].

Hernández, R. (2026, July 24). Multilingual Lexical Platform — Engineering specification (Version 2.0) [Unpublished specification document; text extraction on file].

Kirov, C., Cotterell, R., Sylak-Glassman, J., Walther, G., Vylomova, E., Xia, P., Faruqui, M., Mielke, S. J., McCarthy, A., Kübler, S., Yarowsky, D., Eisner, J., & Hulden, M. (2018). UniMorph 2.0: Universal morphology. In Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018). European Language Resources Association. https://aclanthology.org/L18-1293/

McCarthy, A. D., Kirov, C., Grella, M., Nidhi, A., Xia, P., Gorman, K., Vylomova, E., Mielke, S. J., Nicolai, G., Silfverberg, M., Arkhangelskiy, T., Krizhanovsky, N., Krizhanovsky, A., Klyachko, E., Sorokin, A., Mansfield, J., Ernštreits, V., Pinter, Y., Jacobs, C. L., … Yarowsky, D. (2020). UniMorph 3.0: Universal morphology. In Proceedings of the Twelfth International Conference on Language Resources and Evaluation (LREC 2020) (pp. 3922–3931). European Language Resources Association. https://aclanthology.org/2020.lrec-1.483/

Meyer, C. M., & Gurevych, I. (2012). Wiktionary: A new rival for expert-built lexicons? Exploring the possibilities of collaborative lexicography. In S. Granger & M. Paquot (Eds.), Electronic lexicography (pp. 259–292). Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199654864.003.0013

Miller, G. A. (1995). WordNet: A lexical database for English. Communications of the ACM, 38(11), 39–41. https://doi.org/10.1145/219717.219748

Nivre, J., de Marneffe, M.-C., Ginter, F., Hajič, J., Manning, C. D., Pyysalo, S., Schuster, S., Tyers, F., & Zeman, D. (2020). Universal Dependencies v2: An evergrowing multilingual treebank collection. In Proceedings of the Twelfth International Conference on Language Resources and Evaluation (LREC 2020) (pp. 4034–4043). European Language Resources Association. https://aclanthology.org/2020.lrec-1.497/

Princeton University. (n.d.). About WordNet. WordNet. Retrieved September 7, 2026, from https://wordnet.princeton.edu/

SIL International. (n.d.). ISO 639-3. Retrieved September 7, 2026, from https://iso639-3.sil.org/

de Saussure, F. (1983). Course in general linguistics (C. Bally, A. Sechehaye, & A. Riedlinger, Eds.; R. Harris, Trans.). Duckworth. https://www.bloomsbury.com/us/course-in-general-linguistics-9781472508829/ (Original work published 1916)

Speer, R. (2022). wordfreq: A database of word frequencies in many languages (Version 3.0) [Computer software]. GitHub. https://github.com/rspeer/wordfreq

Tiedemann, J. (2012). Parallel data, tools and interfaces in OPUS. In Proceedings of the Eighth International Conference on Language Resources and Evaluation (LREC 2012) (pp. 2214–2218). European Language Resources Association. https://aclanthology.org/L12-1246/

Vrandečić, D., & Krötzsch, M. (2014). Wikidata: A free collaborative knowledgebase. Communications of the ACM, 57(10), 78–85. https://doi.org/10.1145/2629489

Wikimedia Foundation. (n.d.). Wiktionary: The free dictionary. Retrieved September 7, 2026, from https://www.wiktionary.org/

Zipf, G. K. (1949). Human behavior and the principle of least effort. Addison-Wesley Press. https://archive.org/details/humanbehaviorpri0000zipf

Appendice A · Fonti, metodo e verifica

A.1 La convenzione di annotazione

Seguendo lo standard di rigore dello studio (ereditato dal suo lavoro investigativo), le affermazioni di questo articolo sono marcate dove il lettore deve conoscerne lo stato epistemico: [H] = fatto verificato — una misura, un codice o una fonte datata consultati per questo articolo; [O] = interpretazione o opinione attribuita; [NV] = non verificato / non localizzato. Ogni cifra dell'abstract e del corpo è o una misura [H] con la sua data o è etichettata.

A.2 Famiglie di fonti consultate (accesso 6–7 settembre 2026)

Query di verifica rappresentative (eseguite il 7 settembre 2026, ruolo lingua): SELECT count(*) FROM concept|lexeme|sense|relation → 96,434 / 1,238,383 / 1,608,018 / 171,672; SELECT code FROM language → deu, eng, fra, jpn, por, spa; appartenenza del synset 02121620-n per lingua (sezione 8.5); lo script di accettazione del progetto verify-lm-cat-demo.sh (sezione 7).

A.3 Cifre chiave con date (cronologia condensata)

A.4 Contraddizioni e voci irrisolte

Come documentato nella sezione 10.2: la discrepanza italiano/tedesco del Core 6; la deriva dei conteggi del corpus nello stesso giorno (dossier 1,146,066 contro SQL 1,238,383 lessemi, con una terza cifra intermedia nel registro di sessione della stessa sera, riconciliata per lingua con la cifra SQL); il conflitto nei registri hardware (Atom Bay-Trail contro Pentium N3540 contro un Jasper Lake N5105 nei registri precedenti del 2026 — voce 3 della sezione 10.2); gli avvisi sul 71.7% di sensi non collegati e le altre segnalazioni sulla qualità dei dati; e le voci non verificate/non documentate: la data esatta di fondazione del repository prima del 26 agosto, la ragione del cambio di insieme di lingue, la provenienza nei modelli dei testi di audit del 1 giugno (gli audit sopravvivono nella conversazione ChatGPT dell'autore lato utente; quale modello assistente abbia scritto quale giro di audit non è attestato in modo indipendente nell'esportazione — si veda la sezione 3.3), il ricalcolo live di concept_word_rank (permesso negato) e la struttura legale dello studio.

A.5 Note metodologiche

• Il sistema sotto test è il sistema di produzione; le misure a caldo

portano con sé ±0.3 s di rumore del disco rigido; date e orari sono dati nel fuso orario proprio dei registri (Central Time salvo indicazione diversa; i log DeepSeek usano +08:00 e sono stati convertiti).

• Le citazioni sono alla lettera dai log/file citati; i puntini di

sospensione segnano i tagli; le citazioni in spagnolo, dove usate, sono fornite nel corpo con glosse in inglese.

• Questo articolo è esso stesso una bozza generata dall'IA (avviso in

apertura); è stato scritto sotto la direzione dell'autore a partire dalle fonti sopra elencate e non è stato sottoposto a revisione paritaria. Strumenti di verifica: SQL diretta, query HTTP, controlli con browser headless e letture dei file sorgente; nessuna affermazione è stata riempita a memoria quando esisteva una fonte.

Appendice B · Glossario — termini in linguaggio semplice usati in questo articolo

Come usare questo glossario: la prima volta che un termine tecnico compare nell'articolo è sottolineato con puntini — passa il cursore sopra il termine (o toccalo) per una definizione rapida, oppure fai clic per saltare qui. Questa lista segue l'ordine alfabetico dei termini originali in inglese.

Allineamento

l'atto di decidere che una parola in una lingua significa la stessa cosa di una parola in un'altra.

API

un'interfaccia che permette a un programma di chiedere dati a un altro (p. es., un'app di dizionario che chiede una parola al database di Lingua Mundi).

Autonimo

il nome con cui i parlanti stessi di una lingua chiamano la propria lingua (chi parla spagnolo chiama lo spagnolo español).

Cuocere

la parola del progetto per indicare il calcolo di una risposta costosa una sola volta, la sua memorizzazione e la sua rilettura molte volte (la regola di lavoro è «cuocere, non ricalcolare»).

Ricerca in ampiezza

un modo di esplorare un grafo verso l'esterno a strati, come le onde che fa un sasso nell'acqua, per trovare il percorso più breve tra due punti.

CJKV

abbreviazione della famiglia di sistemi di scrittura che abbraccia cinese, giapponese, coreano e vietnamita (le lettere corrispondono ai nomi delle scritture).

Concetto

un significato, condiviso tra le lingue (in questo articolo, «l'idea di gatto domestico», non una parola particolare).

Corpus

una grande raccolta di dati linguistici (testi o voci di dizionario) usata come evidenza.

Dataset

una raccolta confezionata di dati da un'unica fonte, con il proprio formato e la propria licenza.

Derivazione

la derivazione è il modo in cui si costruiscono parole nuove da quelle esistenti (run → runner); l'etimologia è la storia di una parola attraverso il tempo e le lingue.

ETL

extract-transform-load (estrai-trasforma-carica): il processo che legge i dati da una fonte esterna, li rimodella e li memorizza nel database.

FastAPI

un framework Python gratuito e open source per costruire il tipo di interfaccia (API) servita da questo progetto.

Ricerca full-text

cercare in un database confrontando le parole contenute nel testo memorizzato, invece che per identificatori esatti.

Grafema

un carattere scritto: una lettera di un alfabeto, un segno sillabico o un kanji.

Grafo

in questo articolo, un insieme di significati (nodi) collegati da relazioni tipizzate (archi).

Gzip

un metodo di compressione standard che rende i file più piccoli prima che viaggino su internet.

HTTP

il protocollo che i browser web e le API usano per chiedere e ricevere dati su internet.

Iperonimo

iperonimo = «un tipo di»: felino è un iperonimo di gatto domestico. Una tassonomia è l'albero dei tipi che ne risulta.

Importatore

un programma che sa leggere un dataset esterno e scriverlo nello schema di Lingua Mundi.

Indice

una struttura del database che permette alle query di trovare le righe in fretta, come l'indice di un libro invece di leggere ogni pagina.

Flessione

la flessione è il cambiamento della forma di una parola per la grammatica (run → ran); la morfologia è lo studio di quelle forme.

Istanza di

due tipi di relazione del grafo: «questo è un esempio di quello» (un gatto è un'istanza di un tipo di mammifero) e «questo è un pezzo di quello» (una zampa fa parte di un gatto).

Interlingua

una rappresentazione intermedia condivisa tra le lingue: invece di tradurre spagnolo→inglese direttamente, si passa da spagnolo→significato→inglese.

ISO 639-3

lo standard internazionale che assegna a ogni lingua umana un codice univoco di tre lettere (spa = spagnolo, jpn = giapponese).

JMdict

JMdict è un grande dizionario giapponese–multilingue; KANJIDIC2 è il suo file complementare di kanji (i caratteri cinesi usati in giapponese) con letture e significati.

JSON Lines

un semplice formato testuale in cui ogni riga è un record di dati, usato per i primissimi file della pipeline del progetto.

Kaikki

un'estrazione leggibile da macchina dei dati di Wiktionary, più facile da leggere per i programmi rispetto alle pagine originali.

Kanji

i caratteri di origine cinese usati nel giapponese scritto.

Lemma

la forma di dizionario di una parola (la forma che si cerca: cat, non cats; run, non ran).

Lessema

una forma di parola in una lingua specifica (la stringa cat).

Licenza

i termini legali che stabiliscono come i dati possano essere usati e condivisi; le licenze «aperte» permettono il riuso con attribuzione (p. es., CC BY-SA).

Coda lunga

la grande massa di elementi rari all'estremità lontana di una distribuzione zipfiana (si veda la legge di Zipf).

Vista materializzata

un risultato di query memorizzato e precalcolato, aggiornato secondo una pianificazione, così le domande ripetute non rifanno il lavoro (il modello «cuocere»).

Morfologia

lo studio delle forme delle parole e di come cambiano per la grammatica (si veda la flessione).

Linguaggio naturale

la lingua umana come le persone la parlano e la scrivono davvero, in contrapposizione ai linguaggi di programmazione.

Nodo

in un grafo, un nodo è un elemento (qui, un concetto) e un arco è una connessione tra due elementi (qui, una relazione tipizzata).

OMW

la raccolta di wordnet allineati al WordNet inglese.

OPUS

una grande raccolta di frasi tradotte, raccolte dal web e dai sottotitoli dei film.

Senso orfano

un significato di dizionario non ancora collegato a un concetto condiviso; tenuto visibile invece di essere nascosto.

Paginazione

dividere una lunga lista di risultati in pagine numerate invece di inviare tutto in una volta.

Parte del discorso

la classe grammaticale di una parola: nome, verbo, aggettivo e così via.

Pipeline

una catena di programmi che porta i dati da una fonte grezza, attraverso passaggi di pulizia, fino alla loro destinazione finale.

Plugin

un plugin è un piccolo programma aggiuntivo per un dataset; il registro è la loro unica lista autorevole.

Polisemia

una parola con più significati (bank: riva del fiume / istituto di credito).

PostgreSQL

un database relazionale gratuito e open source (il sistema in cui Lingua Mundi memorizza tutto).

Relazione

una connessione tipizzata e diretta tra due concetti (gatto domestico è un felino).

Schema

il progetto di un database: quali tabelle esistono, che cosa contiene ogni riga e come le tabelle si riferiscono tra loro.

Senso

un significato di una parola come registrato da un dizionario.

Significante

le due facce di una parola secondo Saussure: il suo suono o la sua forma (significante) e il concetto a cui punta (significato).

Luminosità nel cielo

la graduatoria con cui il progetto valuta quanto un significato sia «importante», in base a quante lingue e parole vi sono collegate.

SQL

il linguaggio standard per interrogare un database relazionale.

Synset

un insieme di parole che possono esprimere lo stesso significato in qualche contesto; in Lingua Mundi, il significato di un synset è memorizzato come concetto.

Token

nell'apprendimento automatico, il piccolo frammento di testo (spesso una parola o parte di parola) che un modello legge o scrive.

Treebank

una raccolta di frasi reali annotate con la loro grammatica (quale parola svolge quale ruolo).

UD

un progetto comunitario che pubblica dati di frasi annotate grammaticalmente in molte lingue con licenze aperte.

UniMorph

un repository multilingue di dati sulle forme delle parole (flessione).

URI

un indirizzo stabile e univoco per una cosa; qui usato per i concetti (p. es., princeton-wordnet:02121620-n per il gatto domestico).

Wikidata

la base di conoscenza strutturata di Wikimedia, con dichiarazioni dotate di identificatori leggibili da macchina, pubblicata con licenza CC0.

Wiktionary

il dizionario collaborativo ospitato dalla Wikimedia Foundation.

Forma di parola

una grafia di una parola in una lingua; si veda lessema.

WordNet

il database lessicale inglese originale organizzato per significato (Princeton); l'OMW vi allinea altre lingue.

Wordfreq

un database di elenchi di frequenza delle parole in molte lingue, usato per classificare le parole in base a quanto sono comuni.

Scrittura

l'insieme di caratteri con cui si scrive una lingua (latino, arabo, caratteri cinesi e così via).

Legge di Zipf

l'osservazione che poche parole spiegano la maggior parte degli usi e che la coda lunga delle parole rare spiega il resto.