Après avoir fait l’état des lieux de la base de données VALIBEL en la situant dans son contexte institutionnel, nous mettons en exergue dans cet article quelques possibilités d’investigation qu’offre la base en regard de ses évolutions récentes. Une attention particulière est portée à l’outillage des corpus en termes de disfluences (avec le programme DisMo) et à l’étude du vieillissement langagier (liée au corpus Corpage). Nous concluons en montrant en quoi l’enrichissement constant de la base (en outillage et en (...) corpus) permet d’ouvrir de nouvelles pistes de recherches dans des domaines encore peu explorés en linguistique, eu égard à des problématiques sociétales majeures. (shrink)

Le projet ANR Profiterole avait pour objectifs la constitution de ressources pour le français médiéval (9e-15e s.) : un corpus annoté en (morpho-)syntaxe et des lexiques, la conception d'analyseurs syntaxiques pour le français médiéval, le développement d’outils de diffusion et d’analyse textométrique de l’annotation syntaxique dans le contexte de la plateforme TXM, et, enfin, la modélisation de certains aspects syntaxiques de l’évolution du français. Nous commençons par décrire la constitution du corpus Profiterole en termes de choix de textes, genres et (...) périodes et de types d’annotation. Puis nous présentons les modèles d’analyse syntaxique développés conjointement à la constitution du corpus, ainsi que la manière dont leurs prédictions ont été combinées pour assister la correction manuelle de l’annotation du corpus. Enfin, nous abordons les modalités de diffusion des données et modèles produits dans le cadre du projet avec un accent particulier sur l’intégration du corpus annoté à TXM, tant dans sa version en ligne accessible depuis le portail de la Base de français médiéval (BFM) que dans sa version pour ordinateur personnel, avec des exemples de requêtes CQP et TIGER facilitant l’exploration et l’analyse du corpus. (shrink)

La Base de français médiéval (BFM) fait partie des corpus de français médiéval (9e-15e s.) les plus anciens et les plus utilisés par les linguistes diachroniciens et plus largement par tous ceux qui s’intéressent à l’histoire du français. Elle est le fruit d’une collaboration entre linguistes-philologues et spécialistes de la méthode textométrique implémentée dans la plateforme TXM. L’article présente un état des lieux du corpus BFM2022 focalisé sur la représentativité et l’interopérabilité des données. Il illustre l’apport des outils numériques pour (...) l’équilibrage des données et présente la stratégie de standardisation multi-niveau (structure textuelle, références, métadonnées, annotations) ayant permis à la Base de s’intégrer à des corpus diachroniques plus étendus pour des recherches en diachronie longue. (shrink)

Dans un premier temps, cette contribution fournit une présentation rapide des corpus médiévaux, principalement pour l’anglais et le français, en relation avec des projets d’annotation centrés sur l’annotation syntaxique. La seconde partie traite des aspects spécifiques de l’annotation syntaxique pour les textes d’ancien français et s’intéresse particulièrement aux interactions entre la préannotation automatique et les outils d’annotation manuelle.

Dans un premier temps, cette contribution fournit une présentation rapide des corpus médiévaux, principalement pour l’anglais et le français, en relation avec des projets d’annotation centrés sur l’annotation syntaxique. La seconde partie traite des aspects spécifiques de l’annotation syntaxique pour les textes d’ancien français et s’intéresse particulièrement aux interactions entre la préannotation automatique et les outils d’annotation manuelle.

Le corpus PhraséoRoChe se centre sur le roman de chevalerie de langue française écrit en prose. Il rassemble des textes issus d’œuvres produites entre le XIIIe siècle et le XVIIe siècle, période bornée par la naissance et la disparition de ce genre textuel. Pour permettre des interrogations par le lecteur d’aujourd’hui d’un corpus outillé embrassant une diachronie aussi longue, il faut faire des choix concernant l’évolution de la langue, non seulement en traitant le décalage entre le français contemporain et la (...) langue des textes retenus mais aussi en faisant face aux difficultés liées à l’hétérogénéité de l’ancien français, du moyen français et du français préclassique. Quels choix méthodologiques peuvent être pertinents en vue de l’objectif défini, à savoir une exploitation de type linguistique, stylistique ou littéraire? Les collaborateurs du projet se sont heurtés à la triple difficulté de rester fidèles aux textes, d’intégrer la diversité des pratiques éditoriales des chercheurs selon les étapes de l’histoire du français et d’unifier le plus possible les principes de traitement pour faciliter la réception actuelle. Le présent article rend compte des deux volets de l’opération : la sélection et la transcription d’un ensemble de 40 textes, d’abord, et l’annotation au moyen de balises structurelles, d’étiquettes lexicales et d’étiquettes morphosyntaxiques, ensuite. (shrink)

Cet article offre une réflexion sur la constitution de corpus pour l’analyse de la variation et du changement morphosyntaxique. Le Corpus MCVF (Modéliser le changement : les voies du français) est structuré de façon à permettre l’analyse de la variation morphosyntaxique, à travers plusieurs périodes historiques, tout en tenant compte, dans une certaine mesure, de facteurs sociolinguistiques comme la distribution sociale et régionale. Les principes qui sous-tendent la sélection des textes et leur annotation morphosyntaxique sont d’abord présentés. L’intérêt d’un corpus (...) annoté morphosyntaxiquement est ensuite illustré par quelques exemples de recherche sur la négation. (shrink)

La contribution se propose de mettre en évidence les problèmes épistémologiques et méthodologiques posés par l’annotation discursive de productions écrites d’élèves et les choix techniques qu’implique sa mise en œuvre. Dans un premier temps, l’article montre l’intérêt scientifique de la constitution de « grands » corpus scolaires rassemblant plusieurs centaines de textes d’élèves d’école primaire et de collège de niveaux scolaires différents répondant à une même consigne. L’unicité de la consigne permet de comparer les productions en vue d’élaborer une cartographie (...) des moyens linguistiques choisis par les élèves et de mettre en évidence des indicateurs de progressivité. Dans un second temps, sont présentés les enseignements tirés de l’expérience d’annotation discursive qui a abouti à la création de la ressource ANNODIS, corpus de textes en français écrit standard annoté discursivement. Elle s’interroge sur les adaptations nécessaires pour traiter des textes d’élèves et définit des principes de travail généraux notamment sur le choix de la version de texte à annoter, la définition du modèle d’annotation et les guides d’annotation. Sont ensuite exposés deux chantiers d’annotation portant sur des textes d’élèves de fin d’école primaire en réponse à une consigne mettant en jeu la cohésion textuelle, qui demande d’insérer dans un texte narratif trois phrases comportant des pronoms et des syntagmes nominaux anaphoriques. Les notions sont illustrées par l’analyse de deux textes d’élèves de 5° Primaire. L’annotation des Relations de Discours procède successivement, dans une démarche proche de celle d’Annodis, par segmentation du texte en Unités de Discours Élémentaires, analyse de la cohérence temporelle et annotation des Relations de discours. L’annotation des chaînes de référence dans les textes d’élèves suppose des adaptations plus importantes du guide d’annotation antérieurement élaboré. Les premiers essais permettent ainsi de définir des principes de travail pour l’annotation des textes d’élèves. (shrink)

Dans le cadre de la construction du corpus PhraseoRoChe, un corpus diachronique rassemblant des romans de chevalerie du 13e au 17e siècle, cet article s’intéresse aux performances de différents analyseurs (étiqueteurs, lemmatiseurs, parseurs en dépendances) entrainés sur des états de langue connexes allant de l’ancien français au moyen français et au français moderne. Nous étudions ainsi la possibilité d’étendre ces analyseurs au-delà des états de langues précis sur lesquels ils ont été entrainés, en s’appuyant notamment sur les divergences entre analyseurs (...) pour identifier les annotations les moins fiables, et ainsi prioriser les interventions manuelles de correction / validation des annotations automatiques. Nous étudions également les possibilités offertes par un traitement superficiel de modernisation graphique pour tirer parti d’un analyseur moderne appliqué à des états de langue anciens. (shrink)

L’auteur, responsable des aspects informatiques et linguistiques du projet « Manuscrits de Stendhal en ligne », décrit le processus de constitution d’un corpus, au sens linguistique du terme, dans le cadre d’une collaboration fortement interdisciplinaire. Il montre dans quelle mesure ce type de collaboration permet de construire un ensemble documentaire répondant aux besoins des chercheurs en littérature tout en apportant un matériau langagier riche et inédit pour le linguiste. Subséquemment, ce n’est pas l’objet de l’étude qui définit le corpus à (...) construire, mais à l’inverse, c’est le corpus construit qui limite et contraint les observations, remettant ainsi en question la notion d’analyse de corpus. (shrink)

Cet article offre une réflexion sur la constitution de corpus pour l’analyse de la variation et du changement morphosyntaxique. Le Corpus MCVF (Modéliser le changement : les voies du français) est structuré de façon à permettre l’analyse de la variation morphosyntaxique, à travers plusieurs périodes historiques, tout en tenant compte, dans une certaine mesure, de facteurs sociolinguistiques comme la distribution sociale et régionale. Les principes qui sous-tendent la sélection des textes et leur annotation morphosyntaxique sont d’abord présentés. L’intérêt d’un corpus (...) annoté morphosyntaxiquement est ensuite illustré par quelques exemples de recherche sur la négation. (shrink)

L’auteur, responsable des aspects informatiques et linguistiques du projet « Manuscrits de Stendhal en ligne », décrit le processus de constitution d’un corpus, au sens linguistique du terme, dans le cadre d’une collaboration fortement interdisciplinaire. Il montre dans quelle mesure ce type de collaboration permet de construire un ensemble documentaire répondant aux besoins des chercheurs en littérature tout en apportant un matériau langagier riche et inédit pour le linguiste. Subséquemment, ce n’est pas l’objet de l’étude qui définit le corpus à (...) construire, mais à l’inverse, c’est le corpus construit qui limite et contraint les observations, remettant ainsi en question la notion d’analyse de corpus. (shrink)

L’article présente le projet ORFEO (outils pour l’étude du Français écrit et oral). Ce projet a consisté à rassembler 4M de mots de Français oral et 6M de mots d’écrit à partir de ressources existantes. Les ressources orales ont été unifiées dans un format trs et alignées avec les fichiers sons au phonème. Les corpus sont présentés avec des métadonnées qui permettent de constituer des sous-corpus d’étude. Les données orales ont été segmentées et annotées en POS et relations de dépendance (...) semi automatiquement. La précision des annotations a fait l’objet d’une évaluation. L’ensemble est interrogeable à partir d’une plateforme adaptée du logiciel libre ANNIS. La ressource sera mise à disposition en open source courant 2017. (shrink)

ABSTRACT The BiRCh Project (The Corpus of Bilingual Russian Child Speech) involves collecting a longitudinal audio corpus of Russian spoken by children and their families in Russia, Ukraine, Germany, the U.S., and Canada. We are building a large-scale corpus based on a subset of this data, the “Parsed and Audio-aligned Corpus of Bilingual Russian Child and Child-directed Speech (BiRCh)” with two basic components: (1) 1-million-word transcripts which are time-aligned with the audio speech signal and fully textsearchable, and (2) a 500K-word (...) morphologically annotated and parsed portion of the transcripts, also audio-aligned. We are using this corpus to investigate various phenomena in the linguistic input and the developmental trajectory of heritage bilinguals, e.g., case, gender, passives, impersonals, politeness markers, disfluencies, and discourse markers. This article focuses on the challenges and solutions of the BiRCh development and the implications for research on the richly annotated data provided by the corpus. (shrink)

La base de données orales de français de Suisse romande (OFROM) contient des transcriptions d’enregistrements auxquels ont participé des locuteurs nés et vivant en Suisse. Elle a été créée par des linguistes soucieux de documenter les usages oraux du français en Suisse romande, et de combler ainsi le retard dans la description des usages oraux de la langue parlée dans cette partie de la francophonie, notamment sur le plan du lexique, de la syntaxe et de la phonologie. La base de (...) données OFROM a été mise en ligne en décembre 2012 ; elle est encore jeune et d’ampleur modeste (65 heures de parole pour près de 410 000 mots transcrits, au moment où nous écrivons), mais il est prévu de l’enrichir et de la diversifier régulièrement au cours des années à venir. La première partie de cet article présente les principes fondamentaux qui ont guidé la constitution de la base (choix des locuteurs, des supports et conventions de transcription, annotations, etc.). La seconde partie contient les résultats obtenus à l’issue d’études en cours ou de sondages prospectifs, portant sur la variation lexicale et la variation syntaxique. Ils permettront d’illustrer quelques-unes des potentialités qu’offrent la base et son moteur de recherche. (shrink)

Nous étudions dans cet article les différentes formes de prédication seconde détachée en position initiale dans un corpus comparable composé de textes d’économie en anglais et en français. Ce corpus a été annoté sous le logiciel Analec. L’enjeu est de montrer en quoi un même phénomène syntaxique est exploité, sur le plan discursif, de façon divergente dans chacune des deux langues. Une étude qualitative et quantitative des prédications secondes du corpus montre que la prédication seconde prend le plus souvent la (...) forme d’une participiale en –ing en anglais, où elle se spécialise dans un rôle méta-énonciatif de balise textuelle pour le lecteur, ce qui n’est pas le cas en français. (shrink)

RESUMO O projeto BiRCh (The Corpus of Bilingual Russian Child Speech, Corpus de fala de crianças bilíngues em russo) envolve a construção de um corpus longitudinal composto de gravações de fala em russo produzida por crianças e suas famílias na Rússia, Ucrânia, Alemanha, EUA e Canadá. Estamos construindo um corpus de larga escala com base no conjunto dessas gravações, o ‘Parsed and Audio-aligned Corpus of Bilingual Russian Child and Child-directed Speech (BiRCh)’, com os dois componentes básicos: (1) as transcrições de (...) um milhão de palavras alinhadas com os arquivos de áudio, em que pode ser realizada a busca textual, e (2) as transcrições de 500 mil palavras anotadas morfologicamente e analisadas sintaticamente, também alinhadas com os arquivos de áudio. Estamos utilizando o corpus para investigar os diversos fenômenos no input linguístico e na trajetória do desenvolvimento de falantes de herança, tais como o uso de caso, gênero, construções passivas e impessoais, marcadores de polidez, disfluências e marcadores discursivos. Este artigo enfoca os desafios e soluções no processo da construção do BiRCh e as implicações para a pesquisa com base nos dados detalhadamente anotados fornecidos pelo corpus. (shrink)

Cet article revient sur un corpus de conversations par SMS entre des personnes sourdes qui présentent un bilinguisme entre le français et la Langue des Signes Française. Ce regard rétrospectif sur ce corpus, notamment sur les motifs de son cadrage, l’enquête de terrain préalable à sa collecte, le protocole de collecte en tant que telle, ou le défi que constitue son annotation, permet de discuter des avantages et des limites des positionnements qualitatifs et quantitatifs en amont de la constitution du (...) corpus. Le contexte complexe des enjeux culturels, sociaux, économiques, historiques, identitaires, politiques, et épistémologiques, des sourds bilingues devient une ressource bien plus puissante s’il est envisagé à la fois comme le lieu de l’émergence des discours récoltés, et comme un giron potentiel de la problématisation du rapport entre l’analyste et son objet d’analyse. En décrivant les particularités linguistiques de ce corpus de conversations écrites entre personnes sourdes, cet article cherche à expliciter les écueils analytiques qui peuvent être anticipés ou évités par un travail exploratoire qualitatif tant en amont de la collecte des données et métadonnées, que lors du travail d’analyse. (shrink)

Le présent article retrace les étapes qui ont présidé à l’élaboration d’une base de données d’exemples de structures à subordonnées comparatives du français. Ce travail a été réalisé dans le cadre du projet « Structures à Subordonnées Comparatives du français » (SCF). Piloté par le laboratoire LaTTiCe sous la direction de C. Fuchs, ce projet a réuni des membres de quatre laboratoires français : B. Combettes et A. Kuyumcuyan (ATILF, Nancy), C. Guimier (CRISCO, Caen), N. Fournier et M. Morinièr..

Le présent article retrace les étapes qui ont présidé à l’élaboration d’une base de données d’exemples de structures à subordonnées comparatives du français. Ce travail a été réalisé dans le cadre du projet « Structures à Subordonnées Comparatives du français » (SCF). Piloté par le laboratoire LaTTiCe sous la direction de C. Fuchs, ce projet a réuni des membres de quatre laboratoires français : B. Combettes et A. Kuyumcuyan (ATILF, Nancy), C. Guimier (CRISCO, Caen), N. Fournier et M. Morinièr...

Corpus informatisés de français médiéval : contraintes sur leur constitution et spécificités de leurs apports Partant du constat que le linguiste médiéviste ne peut que travailler sur corpus, cet article envisage les contraintes spécifiques qui pèsent sur la constitution de ces corpus, désormais numériques, en particulier en ce qui concerne leur représentativité. La nature de l’étude et la perspective temporelle (synchronique ou diachronique) sont deux facteurs décisifs. Sont ensuite envisagés les apports des corpus, enrichis ou non, tant du point de (...) vue de la quantification des faits que de leur interprétation qualitative. (shrink)

Corpus informatisés de français médiéval : contraintes sur leur constitution et spécificités de leurs apports Partant du constat que le linguiste médiéviste ne peut que travailler sur corpus, cet article envisage les contraintes spécifiques qui pèsent sur la constitution de ces corpus, désormais numériques, en particulier en ce qui concerne leur représentativité. La nature de l’étude et la perspective temporelle (synchronique ou diachronique) sont deux facteurs décisifs. Sont ensuite envisagés les apports des corpus, enrichis ou non, tant du point de (...) vue de la quantification des faits que de leur interprétation qualitative. (shrink)

Cet article propose un tour d’horizon de différents types de biais que l’on peut rencontrer dans les études basées sur l’annotation de corpus vidéo de langue des signes. En tâchant de situer objectivement les choix effectués et les biais potentiels à chaque étape, nous décrivons les méthodologies que nous avons mises en place dans trois études, portant respectivement sur la synchronisation des composantes corporelles, le mouvement des sourcils et les clignements des yeux, puis la coarticulation.

Cet article présente le contexte général ayant conduit à l’élaboration du Corpus de français parlé au Québec (CFPQ) et les principes méthodologiques ayant présidé à sa confection. Il illustre ensuite l’intérêt que représente cette ressource documentaire pour l’étude de la langue parlée en contexte informel par le biais d’un examen lexico-sémantique de la séquence je sais pas. L’intérêt pour cette séquence vient d’abord d’un constat : celle-ci est particulièrement fréquente dans le corpus pris comme cible. En effet, elle y occupe (...) le premier rang, en terme de fréquence, pour ce qui concerne la présence de trois unités graphiques figurant en contiguïté. Ce constat oriente vers l’idée selon laquelle son degré d’« entrenchment » (c’est-à-dire d’enracinement) doit être grand, qu’elle a toute chance d’être mémorisée en bloc dans un certain nombre de contextes, à la manière des séquences complexes ou expressions (semi-)figées. L’attention se focalise sur des exemples où je sais pas agit à titre d’expression verbale, puis d’expression discursive. (shrink)

Le Dictionnaire du moyen français est fondé en grande partie sur un vaste corpus informatisé. Le but de cet article est d’examiner de façon concrète l’atout que représente l’exploration d’un tel corpus pour la rédaction d’articles concernant des verbes fréquents et polysémiques (croire, cuider, penser, savoir, connaitre). L’accent est mis sur deux fonctionnalités offertes par Frantext : l’étude de voisinage et la recherche de cooccurrences, qui permettent au rédacteur d’affiner la description des unités lexicales traitées ; moyennant une phase de (...) tri « manuel », il est possible par exemple d’établir le paradigme des noms figurant en fonction d’objet pour une acception donnée ou encore la fréquence de certaines constructions syntaxiques. Ce sont là des apports importants pour un dictionnaire qui vise à donner des descriptions explicites des usages – ce qui n’est pas toujours le cas dans les dictionnaires de français médiéval antérieurs. (shrink)

Le Dictionnaire du moyen français est fondé en grande partie sur un vaste corpus informatisé. Le but de cet article est d’examiner de façon concrète l’atout que représente l’exploration d’un tel corpus pour la rédaction d’articles concernant des verbes fréquents et polysémiques (croire, cuider, penser, savoir, connaitre). L’accent est mis sur deux fonctionnalités offertes par Frantext : l’étude de voisinage et la recherche de cooccurrences, qui permettent au rédacteur d’affiner la description des unités lexicales traitées ; moyennant une phase de (...) tri « manuel », il est possible par exemple d’établir le paradigme des noms figurant en fonction d’objet pour une acception donnée ou encore la fréquence de certaines constructions syntaxiques. Ce sont là des apports importants pour un dictionnaire qui vise à donner des descriptions explicites des usages – ce qui n’est pas toujours le cas dans les dictionnaires de français médiéval antérieurs. (shrink)

L’objectif principal que nous poursuivons dans cet article est de montrer que pour un phénomène aussi complexe que le schwa, qui ne se laisse pas appréhender de manière triviale, la constitution de corpus s’appuyant sur une méthodologie rigoureuse et explicite est un élément indispensable de la construction des objets phonologiques. A cette fin, nous nous concentrons sur l’étude de la position finale, et plus spécifiquement de l’opposition /Cə#/ vs /C#/, à la lumière de trois enquêtes du projet « Phonologie du (...) français contemporain (PFC) : usages, variétés et structure » : un corpus de Douzens (Aude), un corpus de Biarritz (Pays Basque) et un corpus de Treize-Vents (Vendée). Après avoir resitué la problématique du schwa dans le débat général sur le traitement des positions finales, nous présentons le projet PFC, sa méthodologie et ses outils. Nous exposons enfin les résultats obtenus pour les trois corpus : le corpus de l’Aude représente un français du Midi très conservateur, où l’opposition /Cə#/ vs /C#/ est tenace malgré des variations entre générations ; le corpus du Pays Basque représente un français du Midi en évolution, où cette opposition tend à disparaître mais est résiduellement présente ; le corpus de Vendée (variété rarement décrite) se révèle plus proche du français de référence, et les données indiquent sans ambiguïté que l’opposition /Cə#/ vs /C#/ a été éliminée. Notre conclusion, si la démarche est correcte, est que ces résultats et les analyses qu’ils permettent (y compris l’étude des corrélations entre oral et écrit) seraient difficiles, voire impossible, à obtenir sur la base d’intuitions ou d’observations non contrôlées. (shrink)

L’objectif principal que nous poursuivons dans cet article est de montrer que pour un phénomène aussi complexe que le schwa, qui ne se laisse pas appréhender de manière triviale, la constitution de corpus s’appuyant sur une méthodologie rigoureuse et explicite est un élément indispensable de la construction des objets phonologiques. A cette fin, nous nous concentrons sur l’étude de la position finale, et plus spécifiquement de l’opposition /Cə#/ vs /C#/, à la lumière de trois enquêtes du projet « Phonologie du (...) français contemporain (PFC) : usages, variétés et structure » : un corpus de Douzens (Aude), un corpus de Biarritz (Pays Basque) et un corpus de Treize-Vents (Vendée). Après avoir resitué la problématique du schwa dans le débat général sur le traitement des positions finales, nous présentons le projet PFC, sa méthodologie et ses outils. Nous exposons enfin les résultats obtenus pour les trois corpus : le corpus de l’Aude représente un français du Midi très conservateur, où l’opposition /Cə#/ vs /C#/ est tenace malgré des variations entre générations ; le corpus du Pays Basque représente un français du Midi en évolution, où cette opposition tend à disparaître mais est résiduellement présente ; le corpus de Vendée (variété rarement décrite) se révèle plus proche du français de référence, et les données indiquent sans ambiguïté que l’opposition /Cə#/ vs /C#/ a été éliminée. Notre conclusion, si la démarche est correcte, est que ces résultats et les analyses qu’ils permettent (y compris l’étude des corrélations entre oral et écrit) seraient difficiles, voire impossible, à obtenir sur la base d’intuitions ou d’observations non contrôlées. (shrink)

Cet article présente les différentes étapes nécessaires à la construction d'un corpus visant l'étude des épenthèses consonantiques entre radicaux et suffixes en français, depuis le rassemblement des données brutes jusqu'au corpus final, débarrassé des termes dont la consonne candidate s'est avérée ne pas être épenthétique. Ce faisant, il montre les limites d'une extraction automatique des termes dérivés dans ce cadre morphophonologique. Enfin, il souligne le rôle d'un corpus raisonné dans la progression de l'analyse et la nécessaire interaction entre empirie et (...) théorie. (shrink)

Cet article présente les différentes étapes nécessaires à la construction d'un corpus visant l'étude des épenthèses consonantiques entre radicaux et suffixes en français, depuis le rassemblement des données brutes jusqu'au corpus final, débarrassé des termes dont la consonne candidate s'est avérée ne pas être épenthétique. Ce faisant, il montre les limites d'une extraction automatique des termes dérivés dans ce cadre morphophonologique. Enfin, il souligne le rôle d'un corpus raisonné dans la progression de l'analyse et la nécessaire interaction entre empirie et (...) théorie. (shrink)

Ce travail sur la réduction segmentale (c.-à-d. la suppression ou réduction temporelle de segments) en français spontané nous a permis de proposer une méthode de recherche pour les études en linguistique, ainsi que d’apporter des connaissances sur la propension à la réduction des segments à l’oral. Cette méthode, appelée méthode ascendante, nous permet de travailler sans hypothèse spécifique sur la réduction. Les résultats suggèrent que les liquides, les glides et la fricative voisée /v/ sont plus facilement réduites que les autres (...) consonnes et que les voyelles nasales résistent mieux à la réduction que les voyelles orales. Parmi les voyelles orales, les voyelles orales arrondies ont tendance à être plus souvent réduites que les autres voyelles orales. (shrink)

1. Introduction Ce numéro spécial dédié aux corpus d’ancien et moyen français, à leur constitution et à leur exploitation, vient après bien d’autres numéros de revues présentantl’usage des corpus en linguistique depuis une dizaine d’années. Mais celui-ci est spécifiquement consacré aux corpus concernant les périodes les plus anciennes de la langue, c’est-à-dire aux formes et pratiques linguistiques qui sont les plus différentes de ce que connaît et pratique le locuteur moderne, et pour lesque..

1. Introduction Ce numéro spécial dédié aux corpus d’ancien et moyen français, à leur constitution et à leur exploitation, vient après bien d’autres numéros de revues présentantl’usage des corpus en linguistique depuis une dizaine d’années. Mais celui-ci est spécifiquement consacré aux corpus concernant les périodes les plus anciennes de la langue, c’est-à-dire aux formes et pratiques linguistiques qui sont les plus différentes de ce que connaît et pratique le locuteur moderne, et pour lesque...

En considérant les occurrences orales de différents emplois de la périphrase en aller + infinitif décrits par Bres et Labeau (2012a), cet article illustre la contribution positive des corpus oraux, et particulièrement du nouveau Corpus de français parlé à Bruxelles (CFPB) – au rassemblement d’occurrences authentiques de phénomènes linguistiques peu étudiés, au test de leurs descriptions théoriques, mais aussi à l’enrichissement de celles-ci.

Les structures attributives en tête d’énoncé sont courantes et variées en allemand. Si une projection d’éléments en fonction d’attribut n’est pas envisageable telle quelle en français, compte tenu des contraintes syntaxiques et positionnelles propres à cette langue, la comparaison entreprise nous a permis de constater que l’on peut malgré tout trouver en position initiale les mêmes contenus sémantiques remplissant des fonctions textuelles similaires, mais présentant d’importantes différences avec les structures allemandes – différences en termes de fréquence et surtout en termes (...) de fonction (syntaxique). (shrink)

Le travail présenté dans cet article s’inscrit dans une recherche qui a pour but la constitution d’un corpus scolaire et le développement d’un outil d’aide à son exploitation à partir de l’annotation de phénomènes linguistiques saillants. Nous nous concentrerons ici sur les écrits produits en fin de classe de CP par des scripteurs encore débutants. L’objet de ce travail est d’explorer les possibilités qu’offre le traitement automatique des langues pour appréhender ces écrits particulièrement éloignés de la norme. L’hypothèse est que (...) la connaissance du contexte de production facilite ce processus. Nous mesurons cet apport au travers d’un exemple de traitement, à savoir le développement d’un outil d’aide à l’annotation de certaines erreurs orthographiques. Après une rapide présentation du projet et des caractéristiques du corpus élaboré, l’article propose un exposé détaillé du module d’annotation de ces erreurs. Il en expose la méthode d’identification et de correction au moyen d’une ressource lexicale de formes phonologiques ainsi que le modèle d’annotation élaboré. (shrink)

Le but de cet article est double. Il s’agit d’abord d’introduire un nouveau corpus de français oral numérisé, accessible sans restriction sur le web. CFPP2000 (Corpus du français parlé parisien des années 2000), qui comporte actuellement 500 000 mots alignés à l’oral au tour de parole, est constitué par un ensemble d’interviews conversationnelles sur les quartiers de Paris d’une à deux heures qui ont été réalisées en dyades ou le plus souvent en triades. L’article envisage l’influence pour la constitution du (...) corpus du but que nous nous étions fixé au départ, faciliter l’étude de la variation à l’oral pour le français parisien « commun ». Il aborde le choix des informateurs qui découle de cet objectif, les conduites d’entretien qui ont été adoptées. Il envisage ce qu’apporte la transcription d’entretiens relativement longs qui permet d’atténuer l’opposition entre analyse quantitative et analyse qualitative, ainsi que les précautions à prendre dans l’interprétation des résultats. Dans un deuxième temps, l’article présente les métadonnées, les concordanciers et les outils statistiques qui viennent enrichir le corpus et mentionne quelques travaux qu’il a permis de mener, tantôt en syntaxe de l’oral, tantôt autour de problèmes de variation morphologique. (shrink)

Le but de cet article est double. Il s’agit d’abord d’introduire un nouveau corpus de français oral numérisé, accessible sans restriction sur le web. CFPP2000 (Corpus du français parlé parisien des années 2000), qui comporte actuellement 500 000 mots alignés à l’oral au tour de parole, est constitué par un ensemble d’interviews conversationnelles sur les quartiers de Paris d’une à deux heures qui ont été réalisées en dyades ou le plus souvent en triades. L’article envisage l’influence pour la constitution du (...) corpus du but que nous nous étions fixé au départ, faciliter l’étude de la variation à l’oral pour le français parisien « commun ». Il aborde le choix des informateurs qui découle de cet objectif, les conduites d’entretien qui ont été adoptées. Il envisage ce qu’apporte la transcription d’entretiens relativement longs qui permet d’atténuer l’opposition entre analyse quantitative et analyse qualitative, ainsi que les précautions à prendre dans l’interprétation des résultats. Dans un deuxième temps, l’article présente les métadonnées, les concordanciers et les outils statistiques qui viennent enrichir le corpus et mentionne quelques travaux qu’il a permis de mener, tantôt en syntaxe de l’oral, tantôt autour de problèmes de variation morphologique. (shrink)

La présente contribution propose une étude de la périphérie gauche au sein d’un corpus oral multigenres, représentant douze activités de communication orale, annoté syntaxiquement et prosodiquement. La segmentation discursive du corpus en unités de base du discours (BDU) résulte d’une coïncidence entre unités syntaxiques et prosodiques, correspondant à des encodages linguistiques distincts mais complémentaires. Partant du postulat selon lequel ces unités discursives remplissent une fonction cognitive dans la planification et l’interprétation du discours, nous nous intéressons à l’étude de leur périphérie (...) gauche. Ce lieu, qui constitue le point d’ancrage du message, joue en effet un rôle important dans la négociation de la structure discursive. Dans l’objectif d’étudier les stratégies discursives à l’œuvre dans les différents genres du corpus, nous faisons l’inventaire des types formels observés et étudions finalement les fonctions discursives que ces éléments périphériques peuvent revêtir. (shrink)

ABSTRACT The paper discusses the main principles in designing and annotating speech corpora within the framework of the Saint Petersburg phonological school, and provides examples of using corpus data in phonetic research. One of the major principles that we follow is to analyse the speech material at all levels: from segmental to intonational, including speech disfluencies. During segmental phonetic annotation, we suggest listening to each speech sound in isolation (without knowing its context) and relying on spectrographic data. At the syllabic (...) tier, it is crucial to reflect resyllabification. During prosodic annotation, we suggest to rely on listener’s perception of the intonation pattern first, then analyse the actual melodic curves. A speech corpus with multi-level annotation that follows these principles is a valuable source of phonetic data — as segmental and prosodic factors are in constant interaction with each other, and one cannot analyse units of one annotation tier without reference to other tiers. (shrink)

ContextBehavioral observation scales are important for understanding and assessing social skills. In the context of collaborative problem-solving skills, considered essential in the 21st century, there are no validated scales in French that can be adapted to different CPS tasks. The aim of this study is to adapt and validate, by annotating a new video corpus of dyadic interactions that we have collected, two observational scales allowing us to qualitatively assess CPS skills: the Social Performance Rating Scale and the Social Skills (...) of Collaboration Scale.MethodThe construct validity of these two scales was assessed by exploratory factor analysis and inter-item correlations. We also checked inter-judge agreement using inter-class correlation coefficients. Internal consistency was determined using Cronbach’s alpha and convergent and divergent validity by assessing correlations between the two scales and measures of depression and alexithymia. Finally, the discriminative properties of the two scales were analyzed by comparing the scores obtained by a group of anxious individuals and a non-anxious control group.ResultsThe results show that our two scales have excellent inter-item correlations. Internal consistency is excellent. Inter-rater agreement ranged from moderate to high. Finally, convergent validity was significant with the alexithymia scale, as was divergent validity with the depression scale. Anxious individuals had lower scores on both scales than non-anxious individuals.ConclusionBoth scales show good psychometric properties for assessing social skills relevant to different collaborative tasks. They also identify individuals with difficulties in social interaction. Thus, they could allow monitoring the effectiveness of training social skills useful in CPS. (shrink)

Le corpus de littéracie avancée réunit des écrits universitaires et professionnels produits par des étudiants du niveau Licence 1 au Master 2. Il contient actuellement 338 textes (+ d’1 million de mots) et est mis à disposition au format xml, assorti de métadonnées (niveau, discipline, genre, consigne d’écriture etc.). Il est à la fois un aboutissement et un point de départ dans le champ de la littéracie avancée : parce que l’enjeu n’est pas tant de constituer des corpus que de (...) les savoir utilisés et de nourrir les recherches actuelles et futures, il est pensé comme un construit évolutif. L’article expose d’abord les objectifs du corpus : le premier, d’ordre descriptif est de cerner les compétences rédactionnelles et les besoins de formation à un niveau avancé ; le second, d’ordre didactique, est qu’il sert de ressource pour la formation, notamment pour des activités d’observation et de manipulation par les apprenants. Sont ensuite présentées les métadonnées, conçues en phase avec les recommandations de la TEI et dans la perspective d’un outillage des linguistes et des didacticiens dans le champ de la littéracie avancée. Enfin, l’article met en évidence les potentialités du corpus : intégrer des données sur les processus d’écriture et des textes annotés par des relecteurs-correcteurs, élaborer des dispositifs didactiques à l’échelle textuelle. à terme, le corpus gagnera à être associé à des outils de requête et à s’enrichir d’annotations diverses, selon les besoins des chercheurs et des formateurs. (shrink)

Notre article examine d’abord la possibilité d’occuper la zone préverbale par des éléments autres que le sujet et classe ces éléments d’après leur degré d’intégration dans une phrase « canonique ». Par la suite, les éléments initiaux apparaissant dans un corpus littéraire composé de quatre extraits de romans contemporains sont examinés d’après différents critères et les résultats sont brièvement comparés aux données globales d’un corpus de textes d’économie.

Argument schemes are abstractions substantiating the inferential connection between premise(s) and conclusion in argumentative communication. Identifying such conventional patterns of reasoning is essential to the interpretation and evaluation of argumentation. Whether studying argumentation from a theory-driven or data-driven perspective, insight into the actual use of argumentation in communicative practice is essential. Large and reliably annotated corpora of argumentative discourse to quantitatively provide such insight are few and far between. This is all the more true for argument scheme corpora, which tend (...) to suffer from a combination of limited size, poor validation, and the use of ad hoc restricted typologies. In the current paper, we describe the annotation of schemes on the basis of two distinct classifications: Walton’s taxonomy of argument schemes, and Wagemans’ Periodic Table of Arguments. We describe the annotation procedure for each, and the quantitative characteristics of the resulting annotated text corpora. In doing so, we extend the annotation of the preexisting US2016 corpus of televised election debates, resulting in, to the best of our knowledge, the two largest consistently annotated corpora of schemes in argumentative dialogue publicly available. Based on evaluation in terms of inter-annotator agreement, we propose further improvements to the guidelines for annotating schemes: the argument scheme key, and the Argument Type Identification Procedure. (shrink)

Dans cet article, nous présentons une étude de faisabilité sur l’annotation des passages entre guillemets, phénomènes linguistiques polyphoniques qui résistent souvent à une lecture univoque et à un schéma d’annotation simplificateur. La faisabilité de l’annotation a été testée à travers une étude inter-annotateurs qui a montré, avec un accord pour 80% des annotations effectuées, que des valeurs stables (dénomination, citation, autonymie, commentaires modalisants) pouvaient être postulées. Les cas de désaccord, en partie inévitables face à la complexité du phénomène, peuvent être (...) en partie réduits par un repérage systématique des marques formelles (marques typo-dispositionnelles, éléments du lexique et formules syntaxiques) et un inventaire détaillé des contextes d’emploi pour chaque valeur. Certaines valeurs demeurant ambiguës, il convient toutefois de prévoir dans l’annotation des cas de cumul de valeurs (le passage entre guillemets cumule plusieurs valeurs compatibles) ou d’ambiguïtés (plusieurs interprétations différentes sont possibles) en cas de désaccord des annotateurs. (shrink)

Selon l'étude européenne translinguistique Neurodys (Becker et al., 2013), la prévalence de la dyslexie touche entre 5 et 10% des enfants âgés de 8 à 12 ans. L’apprentissage du langage écrit revient à maîtriser conjointement ses deux versants : lecture et écriture. La présente étude vise l’analyse des processus d'écriture utilisés par des scripteurs dyslexiques (DL) et dysorthographiques (DO). Afin de favoriser les collaborations chercheurs-praticiens, comme le proposent Hayes et Berninger (2014), nous étudions les données chronométriques relatives à un corpus (...) de textes recueillis auprès de 7 adolescents dyslexiques et dysorthographiques, recrutés dans le cadre de situations de soin courant orthophonique, afin de décrire les opérations de traitement cognitif du langage écrit en contexte d’activité rédactionnelle. Les corpus de productions écrites d’adolescents DL/DO suivis en orthophonie apportent par le biais du relevé chronométrique (vitesses d’écriture, durées des pauses en fonction de leur localisation dans le texte, longueur des passages d’écriture sans pause longue) des éléments sur l’activité de rédaction et les modalités de révision du texte. Ce travail ouvre des perspectives quant au recueil de données en contexte professionnel, de manière à interroger les données cliniques par des outils de recherche développés en linguistique de corpus. (shrink)

Dans cet article, nous présentons une étude de faisabilité sur l’annotation des passages entre guillemets, phénomènes linguistiques polyphoniques qui résistent souvent à une lecture univoque et à un schéma d’annotation simplificateur. La faisabilité de l’annotation a été testée à travers une étude inter-annotateurs qui a montré, avec un accord pour 80% des annotations effectuées, que des valeurs stables (dénomination, citation, autonymie, commentaires modalisants) pouvaient être postulées. Les cas de désaccord, en partie inévitables face à la complexité du phénomène, peuvent être (...) en partie réduits par un repérage systématique des marques formelles (marques typo-dispositionnelles, éléments du lexique et formules syntaxiques) et un inventaire détaillé des contextes d’emploi pour chaque valeur. Certaines valeurs demeurant ambiguës, il convient toutefois de prévoir dans l’annotation des cas de cumul de valeurs (le passage entre guillemets cumule plusieurs valeurs compatibles) ou d’ambiguïtés (plusieurs interprétations différentes sont possibles) en cas de désaccord des annotateurs. (shrink)

Notre expérience de constitution d’une base de données orale (au sein du Groupe aixois de recherches en syntaxe) nous a servi à constituer, à la fin des années 90, une base de données d’écrits scolaires manuscrits (élèves de 5 à 11 ans). L’article rend compte des questions inhérentes à la constitution d’un tel corpus : du recueil de données à leur transcription et à leur édition. Si les méthodes d’analyse de l’oral peuvent résoudre certains des problèmes rencontrés, elles ne peuvent (...) le faire sur l’ensemble des textes. En effet, les écrits des élèves comportent des spécificités linguistiques qui interrogent les conventions de transcription et des décisions sont à discuter au sein de la communauté scientifique, comme nous le montrerons en nous appuyant sur des textes de jeunes élèves (6 à 8 ans). (shrink)