La multiplication des très grands corpus en linguistique historique a entraîné des discussions nombreuses sur les procédures d’annotation et les métadonnées associées, notamment concernant les questions relevant de l’étiquetage morphosyntaxique et de la tokenisation. D’autres sujets cruciaux, en revanche, semblent moins abordés, comme la question de la découpe en propositions ou en « phrases » des données linguistiques, la préservation des informations philologiques ou, encore, la question de l’encodage et des formats de données. Notre contribution explore ces thématiques (...) en prenant exemple sur le corpus MICLE, qui a dû résoudre des difficultés inédites au long de sa constitution. (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)

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 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)

Depuis plusieurs décennies, la numérisation des textes anciens et les progrès du TAL pour les traiter et les interroger ont largement modifié nos habitudes de travail. Il est désormais possible d’obtenir des données quantitatives massives qui affinent notre perception des phénomènes linguistiques et stylistiques dans des corpus écrits dans des états de langue anciens. Les corpus numériques créés depuis maintenant près d’un quart de siècle permettent d’envisager plus facilement la dynamique du...

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)

Nous présentons une étude fondée sur un corpus de transcriptions de consultations médicales, dans le cadre d’un projet interdisciplinaire qui explore la question des inégalités sociales de santé. L’objet de cet article est de montrer comment, en tant que linguistes familiers du traitement outillé des corpus, nous avons choisi d’aborder ce matériau qui fait l’objet de questionnements disciplinaires complémentaires, et quels éléments de caractérisation spécifiques nous sommes en mesure d’apporter en réponse à une demande émanant de la sphère médicale.

Nous présentons une étude fondée sur un corpus de transcriptions de consultations médicales, dans le cadre d’un projet interdisciplinaire qui explore la question des inégalités sociales de santé. L’objet de cet article est de montrer comment, en tant que linguistes familiers du traitement outillé des corpus, nous avons choisi d’aborder ce matériau qui fait l’objet de questionnements disciplinaires complémentaires, et quels éléments de caractérisation spécifiques nous sommes en mesure d’apporter en réponse à une demande émanant de la sphère médicale.

Constitution d’un grand corpus d’écrits émergents et novices : principes et méthodes Cette contribution propose une réflexion sur la construction d’un vaste corpus d’écrits qui permet d’approfondir notre compréhension des processus en jeu dans l’accès à la littératie dans sa diversité, au travers de la pluralité des genres et des types discursifs qui la constituent et chez des apprenants de profils divers : enfants/adultes, langue 1 / langue 2, entendants/sourds. La réflexion sur la mise en place de ce corpus s’inscrit (...) dans une perspective fonctionnaliste et énonciative et fait fond sur deux ensembles théoriques complémentaires. Du point de vue de l’acquisition des langues, nous souscrivons à la conception selon laquelle les productions d’apprenants ne constituent pas une déviance par rapport à la norme mais sont des manifestations (idiolectales) de systèmes linguistiques per se dont il s’agit de dégager les normes propres. Du point de vue de la littératie, nous nous inscrivons dans la tradition des travaux, d’inspiration bakhtinienne, qui considèrent l’hétérogénéité comme constitutive de toute production verbale. Ainsi, nous expliquons et justifions nos choix en matière de profils d’apprenants et de tâches rédactionnelles, en relation avec la perspective théorique adoptée, ainsi que les options retenues en matière d’outillage du corpus. (shrink)

Because they involve individual-level cognitive processes, psychological explanations of linguistic phenomena are in principle testable against individual behaviour. The present study draws on patterns of individual variation in corpus data to test explanations of productivity. Linguistic patterns are predicted to become more productive with higher type frequencies and lower token frequencies. This is because the formation of abstract mental representations is encouraged by varied types but counteracted by automation of high-frequency types. The predictions are tested for English -ly and -ness-derivation, (...) as used by 698 individual journalists in the New York Times Annotated Corpus and 171 members of Parliament in the Hansard Corpus. Linear regression is used to model individual variation in productivity, in relation to type and token frequency, as well as several other predictor variables. While the expected effects are observed, there is also robust evidence of an interaction effect between type and token frequency, indicating that productivity is highest for patterns with many types and not-too-infrequent tokens. This fits best with a view of entrenchment as both a conservative and creative force in language. Further, some variation remains irreducibly individual and is not explained by currently known predictors of productivity. (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’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)

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)

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)

L’apprentissage des langues étrangères et les méthodes employées dans l’enseignement des langues connaissent une véritable révolution numérique. Du fait de l’accessibilité et de l’ubiquité des données, de nombreuses expérimentations sont mises en place afin de confronter les apprenants aux langues cibles. Les données linguistiques organisées en corpus permettent de mettre en regard formes et contextes afin de favoriser la réflexion métalinguistique nécessaire au processus d’acquisition. Dans...

La présente contribution s’attache à l’étude, dans un corpus d’articles scientifiques en sciences humaines, de la zone préverbale, c’est-à-dire des éléments initiaux (EI) et du sujet préverbal. Il s’agit de déterminer les combinaisons attestées des différents EI (11 catégories définies par des critères sémantiques et morpho-syntaxiques) en relation avec la nature du sujet. L’étude permet tout d’abord de déterminer que les séquences sans EI (sujet initial) excèdent celles avec EI, et que, parmi ces dernières, celles avec un seul EI sont, (...) de loin, les plus fréquentes. L’analyse porte ensuite sur la fréquence des différents EI (viennent en tête les éléments logico-pragmatiques, spatio-temporels et les relations logiques), ainsi que sur les chaînes dans lesquelles ils entrent préférentiellement, tant du point de vue du nombre d’EI possible et de leur catégorie, que de leur position dans ces chaînes. La première position s’avère ainsi associée de manière nettement préférentielle aux EI logico-pragmatiques. La nature du sujet apparaît par ailleurs corrélée à certaines caractéristiques des EI. Il ressort de l’étude que les textes du corpus présentent une relative homogénéité, même si des divergences ponctuelles apparaissent entre certaines disciplines. (shrink)

Pour répondre aux problématiques engendrées par la diffusion de plus en plus massive des corpus linguistiques et à l’hétérogénéité de leurs formats, nous proposons une méthode permettant de prendre en main des corpus langagiers oraux et de les convertir dans un format permettant leur exploitation outillée. Pour cette recherche, le corpus ESLO nous sert d’exemple par sa licence de diffusion, son format, son volume et ses atouts sociolinguistiques et diachroniques. Notre travail se fonde sur la compilation de ce corpus pour (...) le rendre compatible avec l’outil de textométrie TXM. Nous opérons un ensemble de transformations des données pour l’utiliser au mieux. Enfin, pour illustrer les apports de ces avancées méthodologiques, nous proposons une analyse fine et multidimensionnelle de l’usage des interrogatives dans le corpus ESLO. (shrink)

Le corpus Democrat, annoté en expressions référentielles et en chaînes de référence, est paru fin 2019 et a déjà fait l’objet de plusieurs études. Trois ans plus tard, on constate qu’il manque encore des statistiques sur l’ensemble du corpus, et des analyses qui tiennent compte des données à la fois d’un point de vue global – fréquence d’apparition de phénomènes, par ex. – et d’un point de vue local, avec la remise en perspective des annotations dans leur contexte textuel. Cet (...) article répond à ce manque en trois étapes : 1. nous réalisons une présentation critique du corpus, aussi bien au niveau du choix des textes qu’à celui des annotations ; 2. nous présentons quelques statistiques générales qui permettent d’apprécier la constitution du corpus dans sa dimension diachronique et de mettre en avant ses apports ; 3. nous proposons une analyse locale, sur les liens entre expressions référentielles et discours direct. (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)

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)

This article aims to describe the construction and annotation of a multimodal and multilingual (French, English, and Mandarin Chinese) corpus for the study of second language acquisition and professional development in language teaching. The corpus was built within a research project whose main objective is to determine which techno-semio-pedagogical competencies are developed informally and which ones require formal training. In this paper, we explain the theoretical framework adopted, characterized by an ecological approach to the interactive environment. We subsequently illustrate (...) the procedures for the collection of audio, video and eye-tracking data. We also provide details of the annotation of raw data to produce a corpus of analysis drawing on different automatic and semi-automatic annotation tools. Finally, we explain how such a corpus enables us to study the development of learners’ multimodal competence and tutors’ techno-pedagogical competence and point to some other possible research questions. (shrink)

La linguistique se penche sur les émotions afin de décrire les moyens langagiers de les exprimer ou de les représenter, tant au niveau de la structure de la langue que de l'interaction dans le discours. Par là même, elle met en exergue l'ubiquité des émotions dans le langage. Les contributions du volume Cartographie des émotions s'attachent à mettre à plat les liens entre langues et émotions. Elles cherchent à catégoriser, délimiter, appréhender les affects pour mieux comprendre les enjeux linguistiques (...) et sociolinguistiques de l'expression émotionnelle. On observera ainsi les champs lexicaux et les différents réseaux sémantiques qui s'y mettent en place, les combinatoires lexicales dans de grands corpus, les stratégies intonatives et syntaxiques auxquelles les locuteurs ont recours, les différences et les ressemblances entre les langues au niveau de l'expression des émotions, ainsi que la dimension pragmatique de l'expression émotionnelle et son impact sur les discours et leur interprétation. L'ouvrage ne s'adresse pas seulement aux étudiants et chercheurs en sciences du langage, communication, sociologie, traductologie, mais aussi à tous ceux qui travaillent sur l'interface émotion et communication et que passionne la complexité du langage et des langues. (shrink)

Cet article détaille la méthodologie mise en place dans le projet EMOLEX qui a abouti à la mise à disposition de corpus multilingues, d’interfaces d’interrogation et d’analyse de ces corpus ainsi que d’applications permettant d’exploiter les analyses linguistiques portant sur le lexique des affects dans cinq langues européennes.

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)

Les atlas linguistiques sont-ils des corpus? Nous voudrions ici montrer pourquoi certains atlas ne sont pas des corpus et comment leur informatisation pourrait, néanmoins, permettre de les exploiter comme tels. Le questionnement auquel font écho ces lignes est celui de la possibilité d’une informatisation de l’Atlas linguistique de la Wallonie (ALW), envisagée dans un premier temps comme l’intégration d’échantillons des publications dans des bases de données, exploitables via une interface de consultation en ligne. Ce travail consisterait à réduire la (...) matière de l’enquête qui avait été enrichie lors de l’édition des matériaux. Cependant, nous voudrions montrer la part d’analyse qu’il est souhaitable de conserver lors de cette réduction. (shrink)

La linguistique de corpus a fait avancer ces dernières années l’étude du cliché linguistique en mettant au point des techniques de repérage et de calcul de fréquence de suites syntaxiques à classes de mots identiques. Ce qu’elle appelle le « motif séquenciel » peut trouver une pertinence en analyse du discours en particulier quand il sert de révélateur d’un langage communautaire forgé par des locuteurs en relation idéologique. C’est ce que confirme la présence de motifs séquenciels à lexèmes (...) de même série morphologique dans deux récits sentimentaux publiés à Lyon dans les années 1540. Les formules reprises à l’identique ou sous forme de variante dans les Comptes amoureux et Philandre participent à l’énoncé d’une morale amoureuse défendant de manière polémique la liberté des sujets et l’union charnelle. Ce type de récurrences constitue une manière stimulante d’aborder le phénomène de la variation linguistique dans son interaction avec un réseau communautaire. (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)

Les vingt dernières années ont vu l’apparition d’une convergence forte entre une démarche appliquée se consacrant à la création de corpus de grande taille, à leur codage et à leur étiquetage, et diverses théories linguistiques dont les analyses reposent sur de tels corpus. Pour l’analyse de conversation (ou linguistique interactionnelle) une telle convergence ne semble pas possible, car son approche est qualitative et s’appuie sur de « petits » corpus. De plus, un examen approfondi du contexte social des interactions (...) recueillies est nécessaire, qui ne peut donc se réduire à la collecte de métadonnées. Une question surgit immédiatement : la notion de « petit » corpus a une validité sur le plan épistémologique? Le présent article montre qu’une réponse positive peut être apportée à cette question et qu’il est possible de fonder en raison une pratique qui, le plus souvent, se drape sous les oripeaux de l’évidence. (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.

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)

What does Saussure really mean by “semiology”? This is the question we try to answer in this text. In fact, reading his writings and notes, we realize that Saussure uses the term “semiology” in different contexts and with different meanings. So the notion of “semiology” issued from his works is more complex than it seems because it undergoes several transformations throughout the development of Saussurian thought. The term “semiology” never appears in the texts published during in his lifetime, but we (...) find several mentions of this notion in the manuscript sources that make up the Saussurian corpus. While this term appears first during the period between 1881 and 1891, especially in all the documents known under the title of Phonétique, in the Gothic lessons, and in the manuscript “De l’essence double du langage”, the notion of “semiology” is presented to the public in the Cours de linguistique générale with a very precise meaning that has been taken up in Adrien Naville’s Nouvelle Classification des sciences. Then, after the publication of a large part of Saussure’s autograph writings, Ecrits de linguistique générale, we can return to this notion not only to trace its genesis, but also to better understand its complexity. And this is what we propose to do in this article. (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.

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 oral et sonore de l’espagnol rural(COSER) est un corpus d’enquêtes orales qui a pour but l’étude de la grammaire dialectale dans la péninsule ibérique. Dans cet article, les caractéristiques du COSER et la méthodologie suivie sont décrites et comparées à celles des atlas pour ce qui concerne la recherche sur la grammaire dialectale. Grâce au COSER, de nombreux aspects syntaxiques peu connus ou totalement ignorés des dialectes espagnols ont pu être étudiés, tels que plusieurs paradigmes pronominaux, la substitution (...) du subjonctif et l’accord neutre de matière. De plus, la répartition géographique de ces aspects a parfois été considérablement élargie, et les explications traditionnelles ont été remplacées par de nouvelles, en se basant sur une meilleure connaissance des données. L’étude de la grammaire dialectale s’avère être une importante source d’information favorisant une meilleure compréhension des nombreux croisements des principes linguistiques, comme l’« Agreement Hierarchy », par exemple, et ouvrant la voie à de nouvelles approches permettant de tester leur validité. (shrink)

Ce recueil d’articles fait suite à une journée d’étude organisée à Tours en janvier 2008 et qui avait pour objectif de décrire comment le discours, appréhendé à travers des études de corpus, devient un lieu majeur de l’analyse linguistique et un observatoire de certains faits langagiers susceptibles d’être théorisés comme phénomènes sociaux. Les cadres théoriques sollicités sont variés, mais relèvent tous peu ou prou à la fois du courant énonciativiste francophone et de l’école française de l...

Le Corpus oral et sonore de l’espagnol rural(COSER) est un corpus d’enquêtes orales qui a pour but l’étude de la grammaire dialectale dans la péninsule ibérique. Dans cet article, les caractéristiques du COSER et la méthodologie suivie sont décrites et comparées à celles des atlas pour ce qui concerne la recherche sur la grammaire dialectale. Grâce au COSER, de nombreux aspects syntaxiques peu connus ou totalement ignorés des dialectes espagnols ont pu être étudiés, tels que plusieurs paradigmes pronominaux, la substitution (...) du subjonctif et l’accord neutre de matière. De plus, la répartition géographique de ces aspects a parfois été considérablement élargie, et les explications traditionnelles ont été remplacées par de nouvelles, en se basant sur une meilleure connaissance des données. L’étude de la grammaire dialectale s’avère être une importante source d’information favorisant une meilleure compréhension des nombreux croisements des principes linguistiques, comme l’« Agreement Hierarchy », par exemple, et ouvrant la voie à de nouvelles approches permettant de tester leur validité. (shrink)

In recent decades, the analysis of phraseology has made use of the exploration of large corpora as a source of quantitative information about language. This paper intends to present the main lines of work in progress based on this empirical approach to linguistic analysis. In particular, we focus our attention on some problems relating to the morpho-syntactic annotation of corpora. The CORIS/CODIS corpus of contemporary written Italian, developed at CILTA – University of Bologna (Rossini Favretti 2000; Rossini Favretti, Tamburini, (...) De Santis in press), is a synchronic 100-million-word corpus and is being lemmatised and annotated with part-of-speech (POS) tags, in order to increase the quantity of information and improve data retrieval procedures (Tamburini 2000). The aim of POS tagging is to assign each lexical unit to the appropriate word class. Usually the set of tags is pre-established by the linguist, who uses his/her competence to identify the different word classes. The very first experiments we made revealed how the traditional part-of-speech distinctions in Italian (generally based on morphological and semantic criteria) are often inadequate to represent the syntactic features of words in context. It is worth noting that the uncertainties in categorisation contained in Italian grammars and dictionaries reflect a growing difficulty as they move from fundamental linguistic classes, such as nouns and verbs, to more complex classes, such as adverbs, pronouns, prepositions and conjunctions. This latter class, that groups together elements traditionally used to express connections between sentences, appears inadequate when describing cohesive relations in Italian. This phenomenon actually seems to involve other elements traditionally assigned to different classes, such as adverbs, pronouns and interjections. Recent studies proposed the class of ‘connectives’, grouping all words that, apart from their traditional word class, have the function of connecting phrases and contributing to textual cohesion. From this point of view, conjunctions can be considered as part of phrasal connectives, that can in turn be included in the wider category of textual connectives. The aim of this study is to identify elements that can be included in the class of phrasal connectives, using quantitative methods. According to Shannon and Weaver’s (1949) observation that words are linked by dependent probabilities, corroborated by Halliday’s (1991) argument that the grammatical “system” (in Firth’s sense of the term) is essentially probabilistic, quantitative data are introduced in order to provide evidence of relative frequencies. Section 2 presents a description of word-class categorisation from the point of view of grammars and dictionaries arguing that the traditional category of conjunctions is inadequate for capturing the notion of phrasal connective. Section 3 examines the notion of ‘connective’ and suggests a truth-function interpretation of connective behaviour. Section 4 describes the quantitative methods proposed for analysing the distributional properties of lexical units, and section 5 comments on the results obtained by applying such methods drawing some provisional conclusions. (shrink)

This book has been considered by academicians and scholars of great significance and value to literature. This forms a part of the knowledge base for future generations. So that the book is never forgotten we have represented this book in a print format as the same form as it was originally first published. Hence any marks or annotations seen are left intentionally to preserve its true nature.

La linguistique de corpus a fait avancer ces dernières années l’étude du cliché linguistique en mettant au point des techniques de repérage et de calcul de fréquence de suites syntaxiques à classes de mots identiques. Ce qu’elle appelle le « motif séquenciel » peut trouver une pertinence en analyse du discours en particulier quand il sert de révélateur d’un langage communautaire forgé par des locuteurs en relation idéologique. C’est ce que confirme la présence de motifs séquenciels à lexèmes (...) de même série morphologique dans deux récits sentimentaux publiés à Lyon dans les années 1540. Les formules reprises à l’identique ou sous forme de variante dans les Comptes amoureux et Philandre participent à l’énoncé d’une morale amoureuse défendant de manière polémique la liberté des sujets et l’union charnelle. Ce type de récurrences constitue une manière stimulante d’aborder le phénomène de la variation linguistique dans son interaction avec un réseau c... (shrink)

Cette livraison de la revue Langages semble avoir un objectif éditorial officiel, affiché dans son titre, consistant à porter un regard réflexif et critique sur les apports et les limites des (grands) corpus à divers domaines de l’analyse linguistique, et un objectif profond, moins immédiatement perceptible mais sans doute premier dans l’esprit des coordinateurs et particulièrement de Marcel Cori, consistant à remettre à sa juste place la linguistique de corpus accusée d’avoir des ambitions h..

Cet article présente et discute la méthodologie de construction d’un corpus plurilingue en diachronie longue (1681-1914). Puisqu’il n’existait pas de corpus alsacien significatif, un important travail de construction d’un corpus significatif a été mené afin de constituer un corpus documentant les contacts linguistiques dans les écrits des locuteurs-scripteurs alsaciens. Cette tâche a présenté un certain nombre de défis méthodologiques causés par le contact des langues, la variation sociolinguistique et diachronique, le manque de sources primaires et de documents numérisés. Parmi ces (...) défis entrent aussi en compte la complexité du contexte historico-politico-sociolinguistique et les rapports entre oralité et scripturalité. (shrink)

Cet article synthétise les acquis et développements issus de projets de recherche menés depuis 2013 à propos de l’analyse d’un type particulier de données CMC (Computer-mediated communication) : les tweets politiques. Après une caractérisation de ce genre de discours, et des problématiques soulevées, l’article développe les enjeux de l’exploration des corpus de ce genre ; l’appréhension et la constitution de ces données sociales en corpus ; la production de résultats scientifiques, et la mise en place de différents types d’exploration de (...) corpus. Les méthodes de constitution de corpus, la standardisation et la mise au format TEI, l’utilisation d’outils d’analyse des données textuelles, et le développement de plateformes, sont ainsi présentés, comme différents points d’une même recherche qui vise à caractériser et comprendre une pratique sociale avec une méthode scientifique et une portée citoyenne. L’exploration de corpus peut ainsi passer par des nouvelles productions de ressources, outils, interfaces, dont l’interactivité, l’hypertextualité, et l’ouverture, garantissent la validité des corpus, et la possibilité d’y accéder de manière contextuelle, et outillée. (shrink)

Ce recueil d’articles fait suite à une journée d’étude organisée à Tours en janvier 2008 et qui avait pour objectif de décrire comment le discours, appréhendé à travers des études de corpus, devient un lieu majeur de l’analyse linguistique et un observatoire de certains faits langagiers susceptibles d’être théorisés comme phénomènes sociaux. Les cadres théoriques sollicités sont variés, mais relèvent tous peu ou prou à la fois du courant énonciativiste francophone et de l’école française de l..

The Ikhwan al-Safa (Brethren of Purity), the anonymous adepts of a tenth-century esoteric fraternity based in Basra and Baghdad, hold an eminent position in the history of science and philosophy in Islam due to the wide reception and assimilation of their monumental encyclopaedia, the Rasa'il Ikhwan al-Safa (Epistles of the Brethren of Purity). This compendium contains fifty-two epistles offering synoptic accounts of the classical sciences and philosophies of the age; divided into four classificatory parts, it treats themes in mathematics, logic, (...) natural philosophy, psychology, metaphysics, and theology, in addition to didactic fables. The Rasa'il constitutes a paradigmatic legacy in the canonization of philosophy and the sciences in mediaeval Islamic civilization, as well as having shown a permeating influence in Western culture. This is the fifth volume in a series presenting the very first critical edition of the Rasa'il in its original Arabic, complete with the first fully annotated English translation. Epistle 52: On Magic is the last in the corpus, and presents the short version of the 'Epistle on Magic, Incantations, and the Evil Eye'. Within its pages the authors of the epistle argue for the legitimacy of magic and the other occult sciences, and seek confirmation of their views in authorities as diverse as Plato, the Qur'ân, the Torah, the astrologer Abû Ma'shâr, and the mysterious sect of pagan star-worshippers known as the Sabians of Harrân. As in all other volumes of the series, this volume provides the first critical edition of the Arabic text, together with an English translation and a substantial range of notes. An extensive introduction highlights the unique relevance of this treatise within the framework of the Brethren's encyclopaedia itself, and to the history of science in general. (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)

Ce numéro de la revue CORPUS est consacré au domaine berbère, l’une des branches de la famille afro-asiatique, et en particulier à la constitution et aux usages de corpus en linguistique berbère. Certains aspects de la structure grammaticale des langues berbères ainsi que de leur diversité étant encore peu connus, l’objectif général de ce volume est de faire progresser notre connaissance de la (micro)variation dans la famille berbère. Tout d’abord, il importe de garder à l’esprit que les lang...

Corpus linguistics grew up in the domain of written (and literary) varieties, while its recent methodological revolution is due to the computer-assisted capacity of elaborating massive amounts of text data. On the other hand, the so-called ‘low-density varieties’, including spoken varieties as well as varieties spoken in minority communities, have been confined to a rather marginal role. Among others, this is due to the technical problems connected to the scarce degree of normalization in linguistic –including graphemic– terms, as well as (...) to the scarcity of language resources for automatic processing. In this paper, we will exploit the possibilities opened by corpus linguistics for acquiring and analyzing the textual patrimony of the Walser German communities of Piedmont and Aosta Valley. The varieties of Highest Alemannic spoken there, dramatically exposed to language decay, provide a limited but significant amount of data, which is accompanied by a substantial lexical documentation due to the active collaboration of the speakers’ communities in collecting and compiling local dictionaries. After briefly introducing our archive and discussing the peculiar solutions adopted for the construction of the platform, we will also present corpus-based morphological investigations regarding the representation of verbal prefixes, of the clitic group, as well as of the inflectional behaviour of verb classes. (shrink)

This article describes the methods involved in building a diachronic multilingual corpus devoted to Fine Arts, beginning with G. Vasari's Lives of the most excellent Italian architects, sculptors and painters (1568) as the fundamental source text in the field of Art History. Attention is given to automatic pre-alignment, the special proofreading protocol and segmentation rules developed to allow multilingual and/or diachronic alignment of multiple texts, and the difficulties inherent in annotating a multilingual database. A case study is offered, comparing the (...) term “tondo” and its variants (e.g. “mezzo tondo”, “di tondo rilievo”) in Italian with their translations in English (De Vere 1912-15) and French (Leclanché 1839, Chastel 1981, Luciani 2002, Powell 2007). These later translations contain a greater variety of both lexicalized counterparts such as “medallion” or “lunette” as well as paraphrases, used to disambiguate and distinguish the various meanings of “tondo”, thus demonstrating how artistic vocabulary, which was still developing in 16th c. Italian, through its transmission to other languages, became more diversified and stable over time. (shrink)