CLiC-it Corpus

CLiC-it语料库是一个收集了在意大利计算语言学会议（CLiC-it）的前十届会议中发表的693篇论文的元数据和文本内容的集合。该语料库旨在作为一个开放获取的结构化资源，用于研究趋势和意大利自然语言处理（NLP）社区的发展。它提供了关于作者、机构和主题的深入分析，并包含关于每篇研究论文的核心信息。语料库的设计允许进行纵向分析，并可以轻松扩展以包含未来会议的论文，从而支持对社区演变的持续监测。The CLiC-it Corpus is a collection of metadata and full-text content for 693 papers published at the first ten editions of the Italian Conference on Computational Linguistics (CLiC-it). Developed as an open-access structured resource, it aims to support research on research trends and the developmental trajectory of the Italian Natural Language Processing (NLP) community. The corpus provides in-depth analyses of authors, affiliated institutions, and research topics, alongside core information for each individual research paper. Its design enables longitudinal analyses, and it can be easily extended to include papers from future conferences, thereby supporting continuous monitoring of the community’s evolution.

搜集汇总

数据集介绍

构建方式

CLiC-it Corpus的构建采用了半自动化的数据采集流程，通过整合意大利计算语言学会议十届会议录的原始文件实现。对于可获取LaTeX或Word源文件的版本，利用Python TexSoup库自动提取作者、标题、机构等元数据，并解析论文核心章节；对于仅存PDF格式的会议录，则结合NotebookLM工具进行文本转换并辅以人工校对。为保持语料语言一致性，所有意大利语论文均通过EasyNMT库统一译为英文，最后对作者姓名、机构名称实施标准化处理，确保数据结构的规范性与可比性。

特点

该语料库涵盖2014至2024年间693篇论文的元数据与文本内容，具有鲜明的时空纵深特征。其核心价值体现在多维度的结构化信息上：不仅包含作者国籍、性别、机构归属等社会学维度，还通过主题建模提取了15个研究主题集群，如语言模型、情感分析、多模态处理等，清晰映射出意大利计算语言学界的学术演进轨迹。语料设计兼顾静态分析与动态扩展需求，既支持对历史合作网络、学术产出的回溯研究，也可通过持续纳入新会议论文实现纵向追踪。

使用方法

研究者可通过公开的GitHub仓库获取语料库，利用其结构化数据开展文献计量学与科学学分析。元数据字段支持对作者合作网络、机构影响力、性别平等趋势的量化研究；而摘要、引言、结论等文本章节结合BERTopic主题模型，能有效追踪研究热点的变迁规律。具体应用场景包括：通过中心性算法分析机构协作模式，基于c-TF-IDF关键词监测新兴技术主题的渗透程度，或结合时间序列数据比较国内外研究范式的异同。该资源尤其适合作为跨国学术生态比较研究的基准数据集。

背景与挑战

背景概述

CLiC-it Corpus是由意大利计算语言学协会（AILC）主导构建的学术资源，旨在系统记录2014年至2024年间意大利计算语言学会议（CLiC-it）的学术成果。该语料库由意大利国家研究委员会（CNR）及比萨大学等机构的研究团队共同开发，覆盖十届会议的693篇论文，通过整合元数据与文本内容，为分析意大利自然语言处理领域的研究趋势、合作网络及主题演化提供了结构化数据基础。其创建背景呼应了全球自然语言处理技术向Transformer与大语言模型转型的浪潮，尤其关注意大利语在资源构建、多模态分析及伦理应用等方向的本土化发展。

当前挑战

该数据集构建过程中面临多重挑战：在技术层面，需处理异构文档格式（如LaTeX、Word与PDF）的解析与标准化，尤其针对早期会议论文的元数据缺失问题；在内容维度，需平衡多语言论文（英语与意大利语）的语义一致性，通过神经机器翻译实现语料统一。领域问题上，该数据集需捕捉意大利计算语言学社区从传统语言资源建设向大语言模型、多模态及社会伦理议题的范式转移，同时应对学术合作网络分析中机构关联密度低、国际合作规模有限等结构性挑战。

常用场景

经典使用场景

CLiC-it Corpus作为意大利计算语言学界十年研究成果的集大成者，其最经典的应用场景体现在对学术社区演进轨迹的量化分析。该语料库通过系统整合2014至2024年间693篇会议论文的元数据与文本内容，为研究者提供了观测意大利自然语言处理领域发展脉络的立体镜。学者们可借助其结构化数据追踪学术合作网络的演化规律，例如通过共现分析揭示都灵大学与布鲁诺·凯斯勒基金会等核心机构形成的协作集群，这种分析模式已成为研究学术社区生态系统的标准范式。

衍生相关工作

该语料库已催生多维度衍生研究，其中最具代表性的是基于复杂网络理论的学术合作分析。研究者通过构建含280个机构节点、1350条合作边的加权图模型，揭示了意大利计算语言学社区以小世界网络为主的结构特征。在方法论层面，采用BERTopic框架实现的动态主题建模工作，成功捕捉到聊天机器人系统如何从规则基础向神经模型演进的技术轨迹。这些研究不仅深化了对本土学术生态的认知，更为国际学界提供了中等规模语言社区发展的比较研究范本。

数据集最近研究

最新研究方向

随着计算语言学领域向大语言模型与多模态技术的范式转移，CLiC-it Corpus作为记录意大利计算语言学十年发展的核心语料库，其研究前沿聚焦于社区动态与主题演变的量化分析。当前研究通过构建作者协作网络与主题建模，揭示了意大利学界从传统词汇语义资源向生成式对话系统、虚假信息检测等社会影响力议题的转型轨迹。尤其值得注意的是，该语料库通过追踪Transformer架构的采纳进程，展现了本土化语言模型（如GePpeTto）与国际化研究网络的融合态势，为理解中小语种在人工智能时代的适应策略提供了关键实证基础。

相关研究论文

• Charting a Decade of Computational Linguistics in Italy: The CLiC-it Corpus

  CNR, Pisa - ItaliaNLP Lab · 2025年