Invited presentation (in French) on the appropriateness or otherwise of producing a French reference corpus analogous to the British National Corpus
- 1. Mais enfin, pourquoi faire un corpusde rfrence en 2012? Lou
Burnard [email protected] corpus de rfrencedu
francais, Paris, 2012
2. On peut se servir dun corpus deplusieures manires De manire
exploratoire ou investigative par ex dans une domaine mdico-lgale
De manire comparative Comparaisons des langues, registres, etc. De
manire evaluative Pour crer et/ou tester des hypothses sur les
normes linguistiques Ou tout btement pour retrouver des mots... 2
3. Corpus ??? 3 4. Comment retrouver le sens dunmot que lon ignore?
1.Appliquer un algorithme 2.Demander aux autorits 3.Regarder son
usage 4 5. 1. Application dun algorithme Corpus corpu +s Corpus
corp + us corpuses ... 5 6. 2. Demande aux autorits 3. A body or
complete collection of writings or the like; the whole body of
literature on any subject. ... 4.The body of written or spoken
material upon which a linguistic analysis is based (OED, 1993) a
collection of pieces of language, selected and ordered according to
explicit linguistic criteria in order to be used as a sample of the
language (Sinclair, 1994)6 7. 2. Demande aux autorites 7 8. 3. Un
survol des usages ...subject. 1727-51 Chambers Cycl. s.v., Corpus
is also used in matters of learning, for sd, and bound together..
We have also a corpus of the Greek poets.. The corpus of the cialso
a corpus of the Greek poets.. The corpus of the civil law is
composed of the diges16 Bound up inseparably with the whole corpus
of Christian tradition. 4. The body of wre informant.. and in
particular upon a corpus of material, of which a large proportial
objection one may make against the `corpus method is that two
investigators operatilore the possibilities and problems of
corpus-based research by reference to first-h incurred they ought
to be paid out of corpus and not out of income. phr. corpus delic
of corpus and not out of income. phr. corpus delicti (see quot.
1832); also, in lay u , esp. the body of a murdered person. corpus
juris: a body of law; esp. the body of Rom; esp. the body of Roman
or civil law (corpus juris civilis). 1891 Fortn. Rev. Sept.ev.
Sept. 338 The translation.. of the Corpus Juris into French. 1922
Joyce Ulysseso.) We have here damning evidence, the corpus delicti,
my lord, a specimen of my maturer, dam and hollow log in search of
the corpus delicti, found some important evidenceimportant evidence
in a fallen tree. corpus vile Pl. corpora vilia Orig. in phr.
(seugh who would submit to serve as the corpus vile for their
charitable treatment. 1953 E8 9. et un autre ...FLY 49GT9 0 F98 104
F98 135 H47 6 F98 56 J2H 0 F98 100 KCN 22 F98 54 F98 1129 10. et
encore un 10 11. Varits denjeux Une dictionnaire reprsente ce qui
est remarquable Un corpus reprsente ce qui est typique On ne peut
rien dire sur le remarquable, sans connaissance du typique11 12.
languageabstractionLanguage In Useselection texte 13.
texteencodagemodleabstraite corpusnumriqueanalyses 14. Etapes de
construction de corpus Conceptiono Slction des textes
Identification des traits signifiants Excution Saisie des donnes
(reprsentation textuel) Encodage (reprsentation conceptuel)
Validation ou modification du dessin14 15. La question de taille
Theres no data like more data(Marcus, 1994) De point de vue
lexicale un corpus ne peux jamais tre trop petit De point de vue
littraire la taille dun corpus est prdfini 15 16. Principes de
moissonage La langue est infini : le corpus en principe est dune
taille fixe mais un corpus peut prtendre reprsenter / tre
reprsentatif production vs. reception stratified sampling Nota : un
corpus peut servir de rfrence sans forcment tre reprsentatif16 17.
Principes de slection programme de recherche traits structuraux
traits interprtatifs traits contextuels17 18. Quest-ce quun texte?
une image des mots des informations structuresou tous les trois ?ou
tous les trois ?18 19. Caractristiques des textes Un texte ou
document est la fois un objet linguistique, donc abstrait, et un
objet physique On peut le structurer de plusieures manires
(linaires, hirarchiques, intertextuelles) Un texte est un objet
culturel issu dun contexte spcifique dont on ne peut pas le sparer
19 20. Tout texte ressort dun contexteparticulier ... Quels agents
de responsabilit intellectuel ? Quel publique est vis ou obtenu ?
Quel est lobjet de cette communication ? Quels autres textes
partagent ces attributs ? 20 21. Identification et slection des
traitstextuels Une procdure iterative et scientifique aka (galement
connu sous) document analysis Il ny a pas de vrit unique quand mme
on peut identifier des avis consensuels cf TEI 21 22. Varits
dannotation Annotation de structure Textes, paragraphes,
noncs,phrases, mots Annotation linguistique Morphosyntaxe, fonction
syntactique Metadonnes Text-type, contexte ...22 23. En sommaire Un
corpus linguistique est un recueil de textes non alatoire Issu dun
procdure dchantillonage effectu selon des principes explicites Il
incarne ainsi un modle thorique sur ce quest que le langage ce
modle est explicit par lencodage ou balisage du corpus Nota : il y
a dautres avis ... 23 24. Cas dtude : le British NationalCorpus Un
snapshot (photo instantane) de langlais britannique la fin du 20me
siecle 100 million mots en c. 4000 chantillons, y compris loral
(10% par volume) Dessin non-opportunistic (non alatoire) Toujours
disponible version dernire BNC-XML (13 mars 2007)
http://www.natcorp.ox.ac.uk24 25. Do est venu le BNC ? Un
consortium de scientifiques etditeurs lexicographiques OUP,
Longman, Chambers OUCS, UCREL, BL R&D Avec un financement
important dugouvernement britannique 1990-1994 Destin aux
communautsscientifiques Chercheurs en lexicographie, TAL, etc.25
26. Courants intellectuels des annes1990 Un monde sans web! Deux
traditions de linguistique de corpus ICAME, Lancaster Oslo Bergen
COBUILD Thorie naissante de text encoding Naissance des industries
de langue auniveau europen AI -> NLP Cooprations acadmiques et
industrielles 26 27. Buts dclars du projet Un corpus synchronique
(1990-4)dchantillons la fois oraux et critsde toute la varit de
production delanglais britannique Dune conception opportuniste
etdapplication gnrale Avec annotation POS Et plein des mtadonnes27
28. Buts vritables (?) du projet Amlioration des dictionnaires ELT
Questions The BNC looks back to Brown and LOB indautorit Respect
pour loralemarkup, and forward to the its design and Web in its
scope and indeterminacy Un modle nouveau pour la recherche au
niveau europen Conception et encodqge des corpus Co-operation
industriel-scientifique Un REALLY BIG corpus production de textes
numeriques lchelle industrielle28 29. La machine saucisses BNC
WrittenSpoken Slection, droits, saisie OUP(OUP/Chambers
(Longman))Enrichissement et encodage Initial CDIF Conversion and
ValidationWord Class Annotation(OUCS) (UCREL)Header generationand
final validation(OUCS) Documentation, distribution, maintenance 29
30. Conception Non-opportunistique But: le fair play envers toute
la variete des voixconstitutives de langlais du RU c. 1995 90%
crit, 10% oral (pour des raisonsconomiques) Critres de slection
prdfinis Pour lcrit : domaine (topos); mdium; time Pour loral :
demographic balance; context Critres suppl,entaires de description
pourmaximer la variation 30 31. Groupes de travail Permissions
(questions juridiques) selection, design criteria encoding and
markup enrichment and annotation retrieval software31 32.
Through-put (million mots/trimestre) 35 30 25 20Received Validated
15Annotated 10 5 06 7 8 9 10 11 12 13 1432 33. Tensions desir de
tester annotation scheme requirement to meet deliverables slipping
goal posts quantity above quality an interesting learningexperience
for both sides! 33 34. That famous BNC balance BNC-W 78731276
5997489 8021274 8743604 Spoken DemographicSpoken Context Governed
Books and Periodicals Other written 34 35. Written
Domains16612770BNC-2 11630083 37983183093407 7242024 13496137
7327671 7493077 16781393Imaginative ScientificSocial ScienceApplied
Science World Affairs CommerceArtsBeliefLeisure 35 36. Spoken
domains 1639159 12859384214819 1652246 1565705Educational Business
InstitutionalLeisure Demographic36 37. Structure du BNC bnc
teiHeader bncdocbncdoc4054 bncDocteiHeadertext stext910 37 38. BNC
structure textstext div 1 div div div1pp uu784,981pp uu sssssss
6,052,202 wwwwwww97,619,934 38 39. Annotation POS Approche
classique CLAWS (Leech,Garside et al) Quest-ce quun mot?This isnt
prima facie obvious, inspite of spelling conventions. Quest-ce quun
POS? NN1 NN2 NP1 NP2 TO0. . . 39 40. Representation de lannotation
Queen_NP0s_POS 00011 The_AT0 The horribilis_XX real_AJ0 annus_NN1
Queen began_VVD on_PRP Sunday_NP0- s NN1._PUN real annus
horribilisThe Queens beganreal annus horribilis onbegan
SundaySunday. .40 41. Pour BNC-XML, on a reclassifi lestextes
Academic Literary Press Nonfiction Unpublished Conversation
OtherSpolen...sentences...words 41 42. Textes orales :
echantillonsdmographiques Enregistrs par 124 personnes recrutes
Nombres equivalents de males et de femelles slectionns pour age et
classe sociale habitant 38 lieux differents travers le RU Charge
denregistrer toutes leures conversations pendant trois journes
permissions obtenues aprs chaque conversation age, sex, accent,
occupation, relations notes si possible Grand quantit dadolescents
londoniens, later published as COLT 42 43. Observer effect? 43 44.
BNC XML structuration dedocument Entete : toutes les mtadonnes ou
Texte or 44 45.
[ACETfactsheets&newsletters].Samplecontainingabout6688wordsofmiscellanea(domain:socialscience)DatacaptureandtranscriptionOxfordUniversityPress6688tokens;6708wunits;423sunitsDistributedunderlicencebyOxfordUniversityComputingServicesonbehalfoftheBNCConsortium.Thismaterialisprotectedbyinternationalcopyrightlawsandmaynotbecopiedorredistributedinanyway.A00[ACETfactsheets&newsletters].AidsCareEducation&TrainingLondon199109199109WnonAc:medicineHealthSex45
46.
FACTSHEETWHATISAIDS?
AIDS(AcquiredImmuneDeficiencySyndrome)isaconditioncausedbyaviruscalledHIV(HumanImmunoDeficiencyVirus).
46 47. A quoi a sert tous ces chevrons? Ils vous permettent de
faire des distinctions trs importantes aids=SUBST vs aids=VERB
occurrences en lcrit vs occurrences en oral occurrences au sein des
titres vs occurrencesau sein des paragraphes Et didentifier des
units textuels plusieurs niveaux
FACTSHEETWHATISAIDS?AIDS(AcquiredImmuneDeficiencySyndrome)
isaconditioncausedbyaviruscalledHIV (HumanImmunoDeficiencyVirus).47
48. 48 49. 49 50. 50 51. 51 52. 52 53. BNC est devenu malgr soi un
bestseller 1995 Version 1.0 : ~1500 exemplaires sur 4
CDs,uniquement pour serveur Unix 2000 Version World : ~5000
exemplaires sur 2 CDs, installable sur machine personnel 2010
Version BNC XML : ~7000 copies (au moins) sur 2 DVD Services OnLine
plusieurs, toujours trs utiliss53 54. Aprs-BNC Phnomnon curieux
dans plusieurs pays european : construction des national corpus
pareils Les diteurs de dictionnaires ont rapidement cre leurs
propres corpus in house (monitor corpus) Dans la societ, un
volution rapide de manires nouvelles dexpression linguistique
Application et volution des mthodes corpus dans dautres disciplines
Notamment, dans lapprentissage des langues mais aussi aux humanits
classiques Les technologies dont les linguistes pensent se servir
devient de plus en plus reconceptualiss dans une optique
distribue.54 55. Langlais des annes 90 restera-t-iltoujours
dintert? Evolution des mdia e-mail Pages web blogs SMS Twitter,
facebook, personal networks Lettres personalles Evolution des topos
globalization internet Elvis Word PerfectLe BNC devient un document
historique; voire littraire55 56. Le corpus littraire : origines
Project Gutenberg et beacoup dautres pareils ont demontre la
possibilite et linteret de creer des corpus literaires pour le
grand publique Un modele economique base sur les efforts benevoles,
en contraste avec Les efforts de financement publiques tels Gallica
Les efforts des chercheurs scientifques tels TLG Principes de
conception : Inclusion des grands oeuvres Encodage minimale,
principes editoriaux heterogenes 56 57. Le corpus littraire :
maintenantCommercialisation devenue effective avec lexistence
dustandard eBook standard, et de tres lourdesinvestissements de la
part de Apple et AmazonGoogle Books met a disposition du grand
publique desbibliotheques complete pas question (jusqua la) de
numeriser les archives, les manuscrits, les objets non
imprimesAbsence des outils de vulgarisation, ou de partage Besoin
de grand effort de correction, ameliorationPossibilits serieuses
pour lapplication ducrowd sourcing 57 58. Lapplication des corpus
enapprentissage de langues... complte (et corrige) les intuitions
encourage lautonomie de lappreneur conteste le status du locuteur
natif transforme le role de lenseignant58 59. Lusage du Web comme
corpus En effet le web est un corpus a corpus is a collection of
texts when considered as an object of linguistic or literary study
(Kilgarrif & Grefenstette 2003) Ou bien on peut le considrer
comme une source de plusieurs corpus http://wacky.sslmit.unibo.it/
59 60. Cration des corpus partir du web 1) Selectionner 500 termes
qui sont typique dulangage cibl 2) Gnrer 5,000-8,000 requtes
contenantchacune 4 mots choisis dans ces 500 termes 3) Envoyer ces
requtes Google et retenir les 10premiers URLS retourns 4)
Post-tratement non negligeable pour enleverles doublons le
passepartout etc (Adapt de Sharoff, 2004) 60 61.
http://sarcophagus.sslmit.unibo.it/ 61 62. Corpus distribus La
promesse de l eScience, grid computing etc. Sparation et
distribution des ressources et des outils Procdure tres effective
aux sciences dures mais ... ncessitant de grands efforts de
cooperation et de standardisation donc implique lexistence dune
infrastructure centralis CLARIN and DARIAH62 63. Visions of the
future63
