Verso il tetto del mondo: i progressi dell’NLP nelle lingue tibetane

Abstract degli autori

Il tibetano, parlato da circa sette milioni di persone sull’altopiano del Qinghai-Xizang e nelle aree circostanti, resta sottorappresentato nell’elaborazione del linguaggio naturale (NLP). Presentiamo, per quanto ne sappiamo, la prima rassegna bibliometrica sistematica sul NLP tibetano sottoposta a revisione paritaria: 140 pubblicazioni dal 2004 al 2026 presenti in ACL Anthology e DBLP, classificate per tipo di sede di pubblicazione, area di ricerca, paese della prima affiliazione e rilascio di risorse. La produzione scientifica è cresciuta rapidamente, con l’84% delle pubblicazioni uscito dal 2018, e si è estesa dal basso verso l’alto lungo la pipeline dell’NLP: dai corpora e dalla segmentazione delle parole alla scrittura, al parlato e alle applicazioni dei modelli linguistici di grandi dimensioni (LLM). Ricercatori con sede in Cina figurano come primi autori nell’87% delle pubblicazioni, che coprono tutte le 25 aree di ricerca rappresentate, mentre i lavori provenienti da altri paesi si concentrano sul tibetano classico. Sosteniamo che questo paradigma esteso all’intera pipeline, realizzato nonostante i vincoli concomitanti di una scrittura complessa, della diversità dialettale e dell’isolamento geografico, offra un modello di riferimento per altre lingue con scarse risorse del Sud globale. Individuiamo inoltre lacune nella copertura dei dialetti, nell’NLP responsabile, nella valutazione nativa e comparabile, nella visibilità tra comunità e nel rilascio di risorse (solo il 29% delle pubblicazioni mette a disposizione dati, codice o modelli), e raccomandiamo scienza aperta, standard condivisi e partecipazione delle comunità per l’era degli LLM.