La tipizzazione dei dati linguistici georeferenziati fa parte delle esigenze fondamentali del progetto VerbaAlpina. Per questo motivo, dopo la trascrizione dei dati input, in un primo momento vengono estrapolati – là dove possibile – dei tokens ('parole singole'), i quali vengono, poi, inseriti nell'omonima tabella nel database.

L'interesse di VerbaAlpina si concentra sulla tipizzazione morfologica del materiale linguistico raccolto. Un tipo morfologico viene definito tramite la concordanza delle seguenti proprietà: famiglia linguistica – parte del discorso – parola semplice VS parola affissa – genere – tipo di base lessicale. La forma indicata del tipo morfologico si orienta ai lemmi corrispondenti presenti nei dizionari presi come punto di riferimento dal progetto (si veda sotto).

Tramite l'assegnazione ad un comune tipo di base lessicale, risulta chiara la parentela di tutti i tipi morfo-lessicali uniti oltre i confini linguistici. È così che i seguenti sostantivi e verbi (qui non descritti in dettaglio) possono essere assegnati ad un unico tipo di base: malga (ALPEGGIO, MANDRIA, GREGGE), malgaro (CACIAIO), malghese (PASTORE), immalgare (INALPARE), dismalgare (DISALPARE).
Il tipo di base lessicale non dice, però, nulla sulla storia della parola dei singoli tipi morfo-lessicali: è, dunque, necessario chiarire separatamente e di volta in volta se, ad esempio, un tipo con etimo latino-romanzo, oggi attestato nell'area germanofona o slovena, risalga al vecchio sostrato locale o a un contatto romanzo più recente, come accade con il termine sloveno bajta 'casa semplice'. A motivo di ciò, viene evitata, in questo contesto, la denominazione "etimo", il quale si riferisce, di norma, alla lingua immediatamente precedente dalla quale deriva storicamente una parola – e non alla sua origine più remota. Ciononostante, in molti casi il tipo di base lessicale corrisponde, in effetti, anche all'etimo di un tipo morfo-lessicale.
I tipi di base definiti come sconosciuti o come controversi nei dizionari di riferimento vengono ulteriormente contrassegnati tramite un punto interrogativo, come nel caso di: (?) battuere. Se in un processo di tipizzazione non è possibile classificare un tipo di base, VerbaAlpina impiegherà un tipo sconosciuto contrassegnato da un ''?''.

I tipi morfo-lessicali costituiscono la categoria centrale nella gestione dei dati linguistici e sono comparabili ai lemmi della lessicografia. Attraverso i suddetti criteri ben misurabili si possono ridurre, per esempio, i quattro tipi fonetici barga, bark, margun, bargun con il significato di CASCINA DI MONTAGNA, STALLA D'ALPEGGIO a tre tipi morfo-lessicali:




L'appartenenza dei tipi morfo-lessicali alle famiglie linguistiche (germanica, romanza, slava) dipende dalla fonte in questione: essa risulta in modo automatico nel caso dei dati di atlanti o dizionari, rilevati tradizionalmente tramite gli informanti corrispondenti e viene conformemente annotata nel database. Nel caso dei dati che VerbaAlpina rileva tramite crowdsourcing, l'appartenenza linguistica o dialettale viene affermata dagli informanti stessi e, nel migliore dei casi, confermata quantitativamente da altri informanti; il numero di coloro che confermano un'appartenenza linguistica diventa, così, uno strumento di convalida dei dati.

I tipi morfo-lessicali sono limitati ad una famiglia linguistica. Una domanda sorge spontanea: qual è la forma idonea per rappresentare un tipo morfo-lessicale nella funzione di ricerca della carta interattiva? Per le famiglie linguistiche germanica e slava la risposta è piuttosto semplice, perché tutte e due sono rappresentate soltanto da una lingua standard (rispettivamente 'Deutsch' [deu] e 'Slowenisch' [slv]): i tipi morfo-lessicali possono, quindi, essere rappresentati attraverso le loro varianti standard (ovviamente a condizione che in quest'ultima esistano corrispondenze del tipo). Così, per il concetto di FORMAGGIO, ad esempio, tutti i tipi fonetici corrispondenti all'alemannico e al bavarese possono essere cercati tramite la forma standard . Nel caso in cui non esistano delle varianti standard, è possibile fare riferimento ai lemmi presenti nei grandi dizionari dialettali (Idiotikon, WBOE).

Nel caso della famiglia linguistica romanza la situazione è molto più complessa, a causa delle numerose piccole lingue non sufficientemente standardizzate. Per ragioni pragmatiche, è stata adottata la seguente soluzione: tutti i tipi morfo-lessicali vengono rappresentati dalle forme standard francesi e italiane, se esistenti. Così, tutti i tipi fonetici corrispondenti possono essere cercati tramite beurre/burro; TLF e Treccani sono qui presi come dizionari di riferimento. Se solo una delle due lingue standard possiede una variante corrispondente, è tale variante ad apparire sulla carta, come nel caso di ricotta (l'appartenenza all'italiano viene indicata attraverso la convenzione di notazione -/ricotta). Se nessuna variante del tipo esiste nelle due lingue romanze di riferimento, si rinvia l'utente ad un grande dizionario dialettale, come, per esempio, l'LSI. Nel caso in cui non esistano lemmi affidabili nei dizionari dialettali, VerbaAlpina propone una propria rappresentazione grafica del tipo in questione, indicata con 'VA'.

Il progetto prevede, inoltre, una tipizzazione fonetica del materiale linguistico; questo processo è, però, periferico e non viene realizzato con costanza. La categoria del tipo fonetico è, tuttavia, indispensabile soprattutto perché alcuni atlanti linguistici (per esempio SDS e VALTS) e i dizionari in generale, documentano, talvolta (atlanti) o esclusivamente (dizionari), i tipi fonetici. I tokens vengono classificati secondo i criteri della fonetica storica in tipi fonetici (casella di database 'phon_typ'), quando la tipizzazione fonetica è realizzata da VerbaAlpina.

Ecco un esempio caratteristico offerto dall'AIS (AIS 1204 LA PANNA | RAHM | CRÈME):


Conformemente alla fonetica, è necessario operare una distinzione tra le varianti iniziali [kr-] e [gr-] e le varianti delle vocali toniche [a], [e] e [o] che precedono la [m]. Così facendo, potrebbe sembrare di essere alle prese con 'tipi fonetici' diversi. È chiaro, in realtà, che queste sono varianti fonetiche di un unico tipo morfo-lessicale, come dimostrato dagli innumerevoli casi di cambiamento fonetico analoghi a questo. Tuttavia, non c'è alcuna evidenza di uno spostamento da [kr-] > [br-], e sarebbe, quindi, poco sensato pensare di far rientrare in questo gruppo la corrispondente forma (brama) attestata nel ladino delle Dolomiti. Nonostante la somiglianza con la vocale tonica e con l'ultima sillaba [-ama], essa rappresenta, infatti, un altro tipo morfo-lessicale:


Un'automazione della tipizzazione fonetica sulla base degli algoritmi di Levenshtein e Soundex viene esaminata e, se possibile, realizzata; ogni caso specifico esige, tuttavia, un ampio lavoro di correzione. Nel processo di trasformazione da una forma all'altra (secondo il parametro della distanza di Levenshtein), entrambe le forme krama e gromma, storicamente collegate tra loro, si distinguono per un maggior numero di segni sostituiti rispetto alle forme krama e brama, le quali, al contrario, non sono collegate tra loro.




Attraverso la tipizzazione (costituzione di classi), la molteplicità dei dati raccolti diventa sempre più chiara; vale dunque la regola: numero dei tokens > numero dei tipi fonetici > numero dei tipi morfo-lessicali > tipo di base. Non è, però, escluso il caso estremo di una sola attestazione (hapax) che corrisponde ad un token, ad un solo tipo fonetico e ad un tipo morfo-lessicale come unico rappresentante di un tipo di base. Gli Hapax verranno, dunque, filtrati nella rappresentazione.