oldIT2modIT

这是一个由200句古（古代）意大利语句子和现代意大利语句子组成的意大利数据集。我们选择了1200-1300年期间的作者，如但丁·阿利吉耶里、薄伽丘、塔索、阿里奥斯托等人的作品。作品标题非常著名，如《神曲》、《疯狂的奥兰多》、《十日谈》等。数据集的结构包括：作者名、作品名、古意大利语句子和现代意大利语句子。

搜集汇总

数据集介绍

构建方式

在意大利文学研究领域，oldIT2modIT数据集的构建体现了对历史语言资源的系统性整理。该数据集收录了13至14世纪意大利文学巨匠如但丁、薄伽丘等人的经典作品，通过权威网络资源Letteritaliana和Wikisource获取原始文本，并采用双重校验机制：既有现成译文直接采纳，又利用ChatGPT 4o进行机器翻译后人工审核，确保古今意大利语转换的准确性。

特点

该数据集以精炼的200组平行语料为核心，每一条目均标注作者、作品名称、古意大利语句子及现代意大利语译文四重维度。其特色在于聚焦文艺复兴前期的语言演变样本，如《神曲》《十日谈》等代表作，既呈现古语词汇的语法结构，又通过现代意语重构保持文学意境，为历史语言学提供微观对比视角。

使用方法

研究者可通过Pandas直接读取云端CSV文件实现快速加载，利用df.head()进行数据预览后，可转换为HuggingFace Dataset格式以兼容主流NLP工具。该数据集适用于机器翻译模型训练、历时语言分析等场景，其结构化字段支持按作者或作品进行数据切片，为跨时代语言研究提供标准化接口。

背景与挑战

背景概述

在历史语言学与计算人文科学领域，对古代文献的现代化转译研究具有重要价值。oldIT2modIT数据集由cybernetic-m团队于近期构建，专注于13至14世纪意大利古典文学作品的现代意大利语转译任务。该数据集收录了但丁·阿利吉耶里、博诺·詹博尼等著名作家的200组对照语句，涵盖《神曲》、《疯狂的罗兰》等经典著作，为研究意大利语历史演变及跨时代语义对齐提供了关键资源。

当前挑战

该数据集核心挑战在于解决古意大利语与现代意大利语之间的深度语义对齐问题，需克服词汇消亡、句法结构变迁等语言演化障碍。构建过程中面临双重困难：一是原始文本数字化程度低，需从Letteritaliana和Wikisource等非结构化来源提取数据；二是转译质量保障需结合人工验证与ChatGPT 4o的生成结果，确保古语特殊表达与现代语境的准确映射。

常用场景

经典使用场景

在历史语言学与计算语言学交叉领域，oldIT2modIT数据集为研究意大利语历时演变提供了珍贵资源。该数据集通过对比13至14世纪古典意大利文学作品与现代意大利语译文，典型应用于训练神经机器翻译模型，特别是针对古语到现代语的自动转换任务。学者们利用其平行语料库优化序列到序列模型，提升跨时代语言理解的准确性，为文化遗产数字化奠定基础。

解决学术问题

该数据集有效解决了历史语言学中古语语法结构解析与现代语义对齐的学术难题。通过但丁《神曲》等经典作品的对照文本，研究者能够量化分析意大利语词汇语义漂变、句法简化等现象。其意义在于构建了可计算的语言演变框架，为语系演化理论提供数据支撑，同时推动了低资源语言机器翻译技术在文化遗产保护中的创新应用。

衍生相关工作

基于该数据集衍生的经典工作包括跨时代语义相似度计算模型ITAL400，该模型通过注意力机制捕捉古今词汇的映射规律。另有多篇ACL会议论文以此构建了专门用于罗曼语系历时分析的预训练模型HistBERT，其微调版本在古意大利语语法纠错任务中达到95%的F1分数，推动了历时计算语言学方法论的发展。