Quale italiano nell'IA? L'italiano sintetico e le sue varietà.

Abstract: La crescente diffusione dei modelli di linguaggio di grandi dimensioni (Large Language Models, LLM) solleva una questione che va oltre la loro capacità di “parlare italiano”: quale italiano viene rappresentato all’interno di questi modelli e come vengono rappresentate le sue diverse varietà? La domanda è particolarmente rilevante per modelli prevalentemente multilingui, addestrati su quantità e tipologie di dati molto diverse tra loro.

Il punto di partenza sarà il rapporto tra italiano e produzione linguistica sintetica. Dopo una breve introduzione al concetto di dati linguistici sintetici, partiremo da alcune delle caratteristiche dell’ italiano sintetico (De Cesare 2026) per poi discutere gli studi in linguistica computazionale sull’italiano standard, prendendo come punto di riferimento il recente lavoro che riassume l’iniziativa CALAMITA (Nissim et al. 2026), una collaborazione di oltre ottanta ricercatrici e ricercatori dedicata alla valutazione dei modelli linguistici in italiano attraverso una pluralità di compiti. Verranno inoltre discussi alcuni risultati sul rapporto tra dati naturali e sintetici (Samo & Merlo 2026) e sulla maniera in cui informazioni sintattiche e semantiche vengono organizzate all’interno dei modelli (Nastase et al. 2025).

La prospettiva verrà quindi estesa alle varietà dell’italiano. I risultati di Massaro & Samo (2023) e Samo & Massaro (2025) mostrano come varietà caratterizzate da livelli molto diversi di disponibilità di risorse linguistiche possano essere rappresentate nei modelli a livello sintattico. Infine, verrà considerata la dimensione lessicale e semantica, con particolare attenzione ai termini geografici generici e alla loro variazione nelle diverse varietà (Samo & Ursini 2026).