CONTACI 2007 - Transcriptions et plate-forme CLAPI 1 GROUPE ICOR Les transcriptions dans la plate-forme CLAPI Groupe ICOR L

1

CONTACI 2007 - Transcriptions et plate-forme CLAPI

GROUPE ICOR http://clapi.univ-lyon2.fr

Les transcriptions dans la plate-forme CLAPI

Groupe ICOR

L. Balthasar, M. Bert, S. Bruxelles, C. Etienne, L. Mondada, V. Traverso, D. Valero

implémentation solution hétérogénéitéstandardisation

2



La plate-forme CLAPI http://clapi.univ-lyon2.fr

• Banque de données : corpus de LPI collectés en situation naturelle• Outils d’analyse et de requête sur le contenu des transcriptions

(dont des traitements automatiques)

Les corpus oraux• Intégration de corpus anciens ou récents, confectionnés dans le

cadre de domaines de recherche différents, dans divers laboratoires => Hétérogénéité des transcriptions hébergées

3



Les principes d'intégration des transcriptions dans CLAPILes principes d'intégration des transcriptions dans CLAPI

• Restitution la plus fidèle possible de la représentation d'origine du transcripteur

• Charte graphique pour l’affichage des transcriptions

• Validation par le responsable

• Modifications minimales de la transcription originale on ne refait pas la transcription pour des raisons de coût et de respect de la propriété intellectuelle en cas de modification, recours à la convention ICOR

4



Convention de référence Convention de référence Convention ICOR Convention ICOR

• Principes pour l’établissement d’une convention de transcription

– Économie – Cohérence– Lisibilité– Sélectivité– Granularité– Transformabilité– Évolutivité

• Établissement de la convention Convention ICOR

– fondée sur des conventions internationalement retenues en linguistique interactionnelle : Jefferson, Heritage, Psathas, Kerbrat, Cosnier, Traverso

– explicite : accessibilité des concepts et des conventions pour chercheurs/ transcripteurs non interactionnistes

– concise (genre textuel : « quick-reference manual »)– définissant une solide transcription de base en linguistique

interactionnelle– implémentée en XML

5



Convention de référence Convention de référence Convention ICOR Convention ICOR http://icar.univ-lyon2.fr/projets/ICOR/ICAR_Conventions_ICOR.doc

6



Convention ICOR Convention ICOR Exemple du chevauchement Exemple du chevauchement http://icar.univ-lyon2.fr/projets/ICOR/ICAR_Conventions_ICOR.doc

N° phénomène notation exemple dans PRAAT ex. Praat

7



Problèmes posés par les transcriptions de Français Parlé en Problèmes posés par les transcriptions de Français Parlé en InteractionInteraction

•Diversité des conventions de transcription

•Granularité différente des transcriptions

•Robustesse : une même convention servant à noter deux phénomènes différents

•Cohérence : notations différentes d’un même phénomène dans une même transcription

•Exhaustivité : notation non systématique de certains phénomènes dans une même transcription

•Orthographe adaptée : un même mot représenté différemment suivant sa prononciation

8



Corpus CHAPERON ROUGE, extrait "Jean-Pierre et Magali ", resp. M.-M. de Gaulmyn

481 M le loup s'empresse /de prendre le plus court/482 /JP/ /le loup s'en 000 s'empresse/483 M chemin pour arriver chez la mère-grand avant le p(e)tit chaperon rouge 0 mais là faut mettre pas pris le bon chemin /euh/484 JP /répond/ le loup

Corpus CONVERSATIONS FAMILIERES, extrait "grillage T3 ", resp. V. TraversoL t` sais j` suis (inaud.) intoxiquée maint`nant

(..)

L voulez rien boire (.) vous partez tout d` suite/ [là/

P [ben non faut

[qu'on passe chez moi récupérer c` qu'est [(inaud.) d` chez moi

A [OUAIS ff [va déménager

Conventions Chaperon rouge Conversations familières pause 0, 00, 000 (.), (..)chevauchement / … / [ montée intonative /

élision ( ) ` (antiquote)

Diversité des conventions de transcription

9



Diversité des conventions de transcription Solutions

identification des phénomènes

10



Diversité des conventions de transcription Solutions

11



Diversité des conventions de transcription Solutions identité graphique des phénomènes de l’interaction

Quelle que soit la convention, les chevauchements sont indiqués en vert, les pauses en bleu turquoise et les descriptions en bleu gris

12



Granularité différente des transcriptions

13



Granularité différente des transcriptions Solutions

implémentation dans la préparation des transcriptions

dans la liste des transcriptions

14



=> ambiguïté : apostrophe pour l’élision standard ou non ex. j’aime / j’parle

=> trait d'union notant également la troncation ex. avant-hier / sta- statut

=> parenthèse : hésitation du transcripteur ou observation/commentaire

Robustesse : une même convention servant à noter deux phénomènes différents

15



Robustesse Solutions apostrophe pour l’élision standard ou non

16



Robustesse Solutions parenthèse : hésitation du transcripteur ou observation

17



Cohérence : notations différentes d’un même phénomène dans une même transcription

Partition et liste

Notation du chevauchement

Alternance de [ et < au cours de la transcription

etc…

Solutions Uniformisation par la médiathèque

18



Solution

Tous les outils qui permettent de faire des requêtes sur les phénomènes précisent s'ils sont notés totalement ou partiellement

Exhaustivité : notation non systématique de certains phénomènes dans une même transcription

19



Comment dans une requête trouver automatiquement

p`tit quand on cherche petit , am`ner pour amener, … ?

Orthographe adaptée

20



Orthographe adaptée Solutions

Construction d'un outil basé sur les n-grams de caractères pour identifier automatiquement les variantes graphiques, avec la collaboration de Ramzi ABBES, post-doctorant TAL Arabe (voyellation) Données du problème

•Les formes élidées ont des tailles inférieures ou égales à celle du mot cible

•Le caractère d'élision ` (antiquote) remplace une ou plusieurs lettres du mot cible

21



Orthographe adaptée Solutions

Les n-grams de caractères retrouvent les formes élidées du token en les comparant aux mots existants dans clapi avec une égalité parfaite des n-grams.

Par une approche empirique, on a constaté que :- les bi-grams permettent de repérer les variantes

des mots de moins de huit lettres- les tri-grams sont adaptés aux mots plus longs

Résultat ex. attends, ‘tends, ‘ttends / parce que, pa’ce que /

bonjour, b’jour

Certaines formes trop éloignées du mot standard seront identifiées dans un glossaire (quelques dizaines de formes maximum) ex. chais / je sais, vouais / ouais

22



Orthographe adaptée dans CLAPI

23



Phénomènes pris en compte et modélisés à ce jourPhénomènes pris en compte et modélisés à ce jour

• changement de locuteur : production verbale attribuée à un locuteur

enchaînement des locuteurs, taille pv (tour bref), place dans la pv (début/fin)

• formes (tokens)lexiquerépétitionco_occurrences variantes morphologiquesdistance entre les mots groupe de mots

• chevauchementchevauchant, chevauché, départ simultané

• pause (courte, longue, quantifiée) • timing

repère dans la transcription, alignement du signal • commentaire/observation

24



Procédure d'intégrationProcédure d'intégration

25



• Identification manuelle des phénomènes

◦ Balisage automatique

◦ Bilan des tokens et des phénomènes

• Vérification

• Contrôle qualité

• Correction de la transcription adaptée

• Consignation des modifications dans la convention de transcription

◦ Génération XML de la transcription

◦ Intégration dans CLAPI

Préparation par la médiathèquePréparation par la médiathèque

26



Exemple de préparationExemple de préparation

27



Exemple d'un bilan tokens et phénomènesExemple d'un bilan tokens et phénomènes

28



Exemple de transcription balisée en Exemple de transcription balisée en XMLXML

29



La transcription dans CLAPILa transcription dans CLAPI

30



Exploitation scientifique dans CLAPIExploitation scientifique dans CLAPI

»A VENDREDI…

Documents

CONTACI 2007 - Transcriptions et plate-forme CLAPI 1 GROUPE ICOR Les transcriptions dans la plate-forme CLAPI Groupe ICOR L