Il contributo dell’analisi linguistica per la classificazione automatica degli eloqui prodotti da pazienti con afasia progressiva primaria

Machine Learning approaches can perform a successful classification of Primary Progressive Aphasia (PPA) main variants (Garrard et al. 2013). In this paper we show that the accuracy of these methods for all PPA sub-classifications is effective also in very sparse contexts of connected speech productions (picture description elicitation task, generating speech samples smaller than 100 tokens). This result has been obtained by including highly informative phonetic, morpho-syntactic and semantic feature information, mainly consisting of phoneme frequency, (bi)-syllabic repetition patterns, out-of-vocabulary term frequency, cues for syntactic truncated structures and characterizing low-frequency content word distribution.

Le recenti tecniche di apprendimento automatico da esempi (note come tecniche di Machine Learning) hanno mostrato come sia possibile classificare con notevole accuratezza alcune della varianti di Afasia Progressiva Primaria (in inglese Primary Progressive Aphasia, PPA; Garrard et al, 2014). Nel presente studio, l’accuratezza dei classificatori utilizzati è stata migliorata e la classificazione estesa a tutte le varianti note di PPA. La classificazione si è basata semplicemente su brevi eloqui elicitati (descrizioni di circa un centinaio di parole di un’immagine). Per ottenere questo risultato sono stati inclusi nel classificatore varie misure linguistiche estratte semi-automaticamente dalle trascrizioni degli eloqui: in particolare, sono state considerate ripetizioni e frequenze di gruppi di tratti fonetici, la frequenza di parole contenuto e funzionali, la presenza di non-parole e alcuni indizi di strutture troncate (come le pause indicanti, in certi contesti, difficoltà di recupero lessicale e, in altri, difficoltà di pianificazione articolatoria o morfo-sintattica).