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)

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)

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)

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)

Les écrits scolaires posent des problèmes d’analyse automatique à cause des nombreux écarts à la norme langagière qu’ils comportent. Dans le but de constituer et de rendre exploitable un corpus significatif d’écrits d’élèves, le groupe de recherche ECRISCOL (Écrits Scolaires) de l’université de la Sorbonne Nouvelle a élaboré des solutions techniques pour préserver l’accès aux manuscrits des élèves tout en rendant possible une analyse automatique par des logiciels d’analyse textuelle. Le corpus en construction comporte une dimension développementale – (...) il est constitué de textes produits par des élèves d’âges et de niveaux différents – et il rend compte de l’écriture même des textes puisque l’ensemble de ses traces – notes, brouillons, versions finales – sont présentées et rendues analysables. (shrink)

Les langues des signes sont des langues qui n’ont pas un système d’écriture qui leur est propre et qui, par leur nature visuo-gestuelle, ne peuvent pas être écrites phonographiquement. Les conséquences de cette « non‑scriptibilité » sont au centre des travaux menés à partir de 2000 par Elena Antinoro Pizzuto. EAP, décédée en 2011, mettait en évidence les biais que l’utilisation des « gloses », employées comme substituts de la transcription, induisent dans l’analyse linguistique des LS. Ces 10 dernières années, (...) les avancées technologiques et méthodologiques ont rendu plus aisée la saisie automatique des données corporelles, l’annotation multilinéaire de corpus multimodaux et le maintien des liens entre les annotations et les vidéos, ainsi que la diffusion des vidéos sur lesquelles se basent les analyses. Toutefois, ces technologies et bonnes pratiques — bien que fondamentales — ne font pas office de système de transcription : ce sont des solutions qui suppriment une partie des symptômes liés à la non‑scriptibilité des LS, mais ne comblent pas l’absence d’un système de représentation graphique de ces langues. Les questions soulevées par EAP sont donc encore d’actualité. Si différentes tentatives pour transcrire les LS ont vu le jour, leur utilisation pour exploiter de vastes corpus de LS s’est souvent heurtée à leur faible lisibilité et/ou requêtabilité. En comparant les avantages et les inconvénients de ces systèmes, il est possible d’établir une liste des caractéristiques que devrait posséder un système de transcription des LS. Mais développer un système qui réunit toutes ces spécificités est un défi que les linguistes ne peuvent pas relever seuls : c’est dans la pluridisciplinarité, et en particulier dans le travail conjoint avec les spécialistes des aspects graphiques de l’écriture, que semble résider la solution. Cette approche, dite « grapholinguistique », est suivie par l’équipe GestualScript pour développer Typannot, un système de transcription typographique des LS et de la gestualité co-verbale. (shrink)

Deux étapes dans la construction de corpus scolaires : problèmes récurrents et perspectives nouvelles L’article met en perspective des recherches qui ont pour objectif commun la constitution de corpus scolaires recueillis dans des conditions écologiques. Il expose les questions méthodologiques qui se sont posées au départ concernant le choix et l’organisation des données, la définition d’une unité d’observation, les différentes possibilités de transcription. Les limites rencontrées dans l’exploitation de transcriptions non annotées ont conduit à l’identification de problèmes récurrents (...) : la caractérisation des genres scolaires, genres dialogiques et multi-auctoriaux, la tension entre normalisation et prise en compte de la textualité des écrits. L’analyse d’un sous corpus numérisé et transcrit montre comment les décisions méthodologiques prises pour l’exploitation du corpus Ecriscol prennent acte de ces difficultés. (shrink)

Nous présentons une étude en cours sur la coréférence lorsque le référent est un individu ou un groupe d’individus. Avec l’objectif d’annoter manuellement les expressions référentielles et les chaînes de coréférence d’un texte écrit, nous décrivons les problèmes rencontrés et les solutions adoptées face à la nature sémantico-pragmatique des phénomènes retenus, à leur complexité, à la présence fréquente d’ambiguïtés et de sous-déterminations, et aux relations d’appartenance parfois floue d’un individu à des groupes. Nous montrons comment faire évoluer les outils (...) d’annotation pour optimiser les analyses linguistiques et leur fournir de nouveaux indicateurs. (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 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)

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)

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 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)

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’intégration des technologies de l’information et de la communication (TIC) à l’apprentissage représente une avenue explorée à la fois par les milieux scientifique, institutionnel et scolaire afin de développer des environnements éducatifs stimulants pour les apprenants. Au Québec, L’École en réseau, un projet d’innovation technologique rassemblant 23 commissions scolaires et près d’une centaine d’écoles majoritairement de l’ordre primaire (6 à 12 ans), a mis entre autres en place le forum de coélaboration de connaissances (FCC) pour répondre à certains besoins émergents (...) de professionnels de l’éducation en matière d’avancées technopédagogiques ainsi qu’à ceux des apprenants baignant aujourd’hui dans la culture du numérique. Cette plateforme propose entre autres un espace de collaboration sous forme de discours écrit asynchrone dans lequel chaque élève collabore et construit sa compréhension d’un phénomène, d’un problème à résoudre ou d’un texte dans le cadre de multiples activités liées à différentes matières scolaires. Les participants – élèves, enseignants et conseillère pédagogique – sont amenés à écrire des textes, de longueur et de type divers, à les annoter, à les améliorer et à les enrichir à l’intérieur d’une base de connaissances qui conserve les traces de leurs échanges sous forme de toile interactive. Cet article traite du potentiel de documentation du FCC qui permet aux utilisateurs, soit les élèves, les enseignants, les conseillers pédagogiques, voire les chercheurs, de visualiser les activités, les progrès et les habitudes d’utilisation de chacun sous différents angles grâce à ses diverses fonctionnalités. Les traces laissées par la communication asynchrone facilitent en effet, selon Gikand, Morrow et Davis (2011), l’auto-évaluation de la compréhension qu’ont les élèves du contenu en plus de leur permettre le partage de questionnements ainsi qu’une réflexion sur leur contribution aux discussions sur le forum. Le potentiel relié à l’archivage de différentes données d’un forum, tel que défini par Heinrich, Milne et Moore (2009), permet l’analyse statistique et le profilage d’élèves afin de mieux répondre à leurs besoins en tant qu’apprenants. Aussi, l’analyse des interactions (posting behaviours) et suivis de fréquentation sur la plateforme (non-posting behaviours) peut amener les enseignants et les élèves à réfléchir sur leurs pratiques et diriger leurs interventions pédagogiques (Xie, 2013). Par ailleurs, la notion de transparence comme la définissent Lafuente Martínez et al. (2015), appliquée au FCC, est également présentée ici. Celle-ci comprend les échanges entre les élèves durant la réalisation de l’activité d’apprentissage et d’évaluation : les versions antérieures du travail tout au long de la réalisation de la tâche d’écriture et tout élément témoignant de leur processus réflexif (plans, notes, schémas, etc.). Cette mise en disponibilité du brouillon des textes des élèves représente une opportunité de documenter la progression des apprentissages de l’apprenant et d’exploiter le potentiel d’autorégulation de l’évaluation formative (Pachler, Daly, Mor, Mellar, 2010). Enfin, la possibilité de suivre l’évolution de la pensée critique de l’apprenant, à savoir si celui-ci, par ses interventions sur les textes des autres, propose des commentaires qui favorisent le dialogue et qui amènent des éléments de réflexion pour faire progresser les discussions (Olofsson, Lindberg, Stödberg, 2011) est mise en relief à l’aide des interventions des élèves, recueillies à même la plateforme. (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.

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)

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...

In lieu of an abstract, here is a brief excerpt of the content:Journal of the History of Ideas 61.2 (2000) 167-187 [Access article in PDF] Amelot de La Houssaye (1634-1706) Annotates Tacitus Jacob Soll Thousands have worked on Tacitus. Some have translated him, others have commented on him. Some have put his text into paraphrases, because of his obscurity: Some others have sucked out the juice and marrow, which is to say, the Sentences, Aphorismes, Apophtegms, and the Political Axioms, of (...) which he is as fertile, as he is sterile in words. His Translators have made him speak every Language, well or badly, according to what they understood or did not. Of his Commentators, some, as if they were Grammarians, have only picked through his Latin, and his fashions of speaking, which are all extraordinary. The others, like students of Politics, neither stopping to look at his phrases, nor his diction, have studied to penetrate the mysteries, and the secrets of the Art-of-governing, of which he has been the Master, and universal Oracle, for more than five-hundred years. 1Thus wrote Nicolas-Abraham Amelot de La Houssaye in the preface of his book, Tibère: Discours politiques sur Tacite (Paris: chez Frédéric Léonard, 1684). He was describing what has become known as the Tacitist movement of political theory, based on the work of the Roman historian Tacitus, which began in the 1580s and lasted until the French Revolution. 2 The practice of translating, commenting [End Page 167] on, or writing like Tacitus began in earnest in the late sixteenth century. Authoritative Latin editions as well as vernacular translations flourished and great kings turned to these now accessible texts as manuals for ruling. 3 Tacitus provided examples from history which could be used to form the basis of a practical political "science." Alongside Machiavelli, practitioners of reason of state placed the works of Tacitus as the founding stones of their humanist canon of secular political philosophy. 4 Marc-Antoine Muret began teaching Tacitus at the University of Rome in 1580, and at the same time Justus Lipsius and Carolus Paschalius began a Latinist tradition of commenting on Tacitus's works. 5 Lipsius, by far the most influential of the sixteenth-century Tacitists, was not only a philologist interested in reestablishing Tacitus's original text but also a commentator who sought to extract moral and political sententiae from the Roman historian. 6 Thus humanist scholarly practices served as the basis of Tacitean political theory as historical exempla, verified by philology, became useful for practical politics. 7 Scholarship and secular political science were bound for the long journey into the modern age. 8 [End Page 168]If humanist scholarship formed the basis of Tacitean political theory, it is also the key for understanding how it worked. Tacitism was an editorial practice and thus scholarly editors became political theorists. Justus Lipsius did not attempt to write his own version of a Tacitean Annales. Instead, he chopped up Tacitus's text, making a commonplace notebook for absolutist princes with his Politicorum libri sex (Leiden: Plantin, 1589). 9 Understanding the Lipsian tradition--the process by which Tacitus was read, broken down and "represented" by scholarly editors--clarifies an unexplored yet essential element of the evolution of secular political theory from a tool of Absolutism to an arm of revolutionary republicanism. 10The most striking example of the Lipsian tradition can be found in the works of Amelot de La Houssaye, whose vision of Tacitean scholarship we have already seen. Between 1670 and his death in 1706 Amelot was the most prolific translator and commentator of Tacitus in France. Between 1676 and 1808, at least 107 editions of 23 different works by Amelot were published in French, almost all Tacitean in nature. 11 These books were widely read and inspired numerous foreign editions. The unifying thread of this extraordinarily large corpus of works is Amelot de La Houssaye's fascination with Tacitus. He not only translated and commented on Tacitus; he also represented the major works of secular political philosophy of his time as Tacitean in origin. Machiavelli, for example, was "proven... (shrink)

Depuis la fin du xiiie siècle et le « moment 1300 », l’Occident connaît une large diffusion de savoirs sur l’écrit juridique et gestionnaire. Ces savoirs semblent cependant se limiter à un groupe spécifique, celui des « clercs », « notaires » ou juristes, qui font de cette maîtrise le socle de leur activité professionnelle : apparaissent alors des usages graphiques participant de la construction de cette identité professionnelle. À partir du milieu du xive siècle, cependant, nous pouvons observer (...) une lente appropriation de l’écrit juridique par d’autres que ces professionnels de l’écrit grâce à un nombre de plus en plus important de documents, phénomène qui reste encore largement méconnu. Le manuel de Guillaume Flambart, noble de moyenne envergure et petit officier des forêts, est l’un de ces documents : regroupant des textes de toute nature ayant trait à l’exercice de la justice, il constitue un corpus linguistique de premier choix. La combinaison de plusieurs approches méthodologiques permet de faire émerger des normes graphiques cohérentes au sein de ce manuscrit et, en contre-point, de s’interroger sur l’appartenance de cet homme au groupe des « professionnels de l’écrit ». (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’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)

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)

Tomando como ponto de partida o diálogo "Clara", escrito por Schelling, o autor faz da conexão da Natureza com o Espírito o fio condutor da trajetória do pensamento schellinguiano. É, antes de tudo, na disputa com as filosofias de Fichte e Hegel, que se revela a convergência entre a concepção transcendental do Espírito e a filosofia da Natureza, dando-se assim a entender a importância de um conceito especulativo da Natureza como acesso ao mundo real. Taking the dialogue "Clara", written by (...) Schelling, as a starting point, the author uses the conection of Nature with the Spirit as a guiding line for his exposition of Schelling’s thought. It is, above all, the dispute with the philosophies of Fichte e Hegel that reveals the convergence between a transcendental conception of Spirit and the philosophy of Nature. Thus, the author implies the importance of speculative concept of Nature as an access to the real world. (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)

Transcrire des écrits scolaires : entre philologie et génétique textuelle Cet article propose une réflexion épistémologique sur les problèmes posés par la transcription d’écrits scolaires pour la constitution d’un corpus informatisé. Il interroge l’opération de transcription de manuscrits dans deux cadres théoriques : la philologie et la génétique textuelle. On examine les modèles proposés dans ces deux cadres, les possibilités mais aussi les problèmes rencontrés pour la transcription d’écrits parfois non normés comme le sont les écrits d’élèves. À partir (...) d’exemples de productions d’élèves, on aborde plusieurs difficultés récurrentes : la transcription des éléments non verbaux des manuscrits, de la topographie de l’écrit ou encore des énoncés métadiscursifs. (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 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...

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)

Nous présentons un ensemble d’observations et de repères méthodologiques issus de la constitution et de l’annotation du corpus MC4 « Modélisation Contrastive et Computationnelle des Chaînes de Coréférences », corpus de (très) petite taille qui a permis des expérimentations, des études de faisabilité puis l’élaboration d’un corpus de beaucoup plus grande taille, celui du projet Democrat « Description et modélisation des chaînes de référence : outils pour l’annotation et le traitement automatique ». Nos remarques traitent (...) notamment de la taille d’un corpus annoté et du besoin de documentation complète, même pour un très petit corpus incompatible avec des exploitations ADT et TAL. (shrink)

In the field of NLP, “noise” is a notion with many different meanings. This is also true in fields of linguistics in which the analysis of ecological data is central.In studies involving corpus linguistic methods, noise management is an essential process for data collection, data structuration and data analysis. Paradoxically, this step is almost never developed, or completely ignored.In this paper, we propose to focus on the management of noise during the various stages classically defined in the processing of (...) an oral corpus: data structuration (including transcription), data enrichment (including annotation) and data analysis.We show that noise management is a cross-cutting issue: it needs to be taken into account during the phases of structuration, data enrichment and analysis of linguistic corpora. More specifically, the creation of corpora of children’s productions leads us to manage a particular type of noise: the variation regarding the so-called “standard” forms. For noise management, we show that there is no ideal methodology: noise management is specific to each project. Moreover, decisions taken at one stage necessarily influence the others: a noise generated during data structuration may cause a silence during automatic processing; a noise “cleaned up” during the processing phase may generate a silence during analysis. (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)

Si le développement du web a rendu accessibles des masses de données numériques, facilitant la collecte de textes et le développement de corpus, il a également donné naissance à de nouveaux genres qui défient les représentations, les méthodes et les grilles d’analyses développées jusqu’à présent. Ainsi a-t-on vu apparaître des corpus assez éloignés des premiers corpus écrits traditionnels, regroupés sous la bannière de la CMR (Communication Médiée par les Réseaux / Computer-Mediated Communica...

Dès l’éclatement de la Grande Guerre, beaucoup de philosophes européens ont prêté leurs idées aux motifs de la propagande : les résultats ont souvent été simplistes et caricaturaux, à tel point qu’on a cédé, dans la plupart des cas, à la tentation d’exclure totalement ou presque les discours de guerre des corpus des œuvres théoriques de leurs auteurs. Ainsi la traduction des écrits de guerre simmeliens que Jean-Luc Evard présente pour la première fois aux lecteurs français se place à (...) contre-c... (shrink)

Hegel et l'Orient vise a combler une lacune : dans les cours de Berlin consacres a la Philosophie de l'Histoire et a la Philosophie de la Religion, l'Orient occupe une place considerable, mais cette enorme masse de textes n'a guere jusqu'ici retenu l'attention des historiens de la philosophie. L'auteur s'efforce tout d'abord de reperer les motifs qui ont conduit Hegel a elever a la dignite de categorie philosophique le tres ancien mythe de l'Orient et de replacer cette reconstruction historico-speculative dans (...) le cadre general de sa doctrine. Pour ce faire, l'auteur examine, a travers les textes classiques (Phenomenologie de l'Esprit, Logique et Encyclopedie), mais aussi a travers les Ecrits de jeunesse, comment Hegel est conduit a accorder a l'Orient une place importante dans les premiers cours d'Esthetique et dans les Principes de la philosophie du droit, ainsi que la maniere dont le theme est repris et developpe dans La raison dans l'histoire et dans la Philosophie de la Religion. Il examine parallelement le contexte immediat de l'histoire des idees (redecouverte de l'Orient par l'Aufklarung et le Romantisme allemand) et les raisons de l'attitude, generalement polemique, de Hegel vis-a-vis de ces courants. Il s'interroge enfin sur la valeur et les limites de l'interpretation hegelienne. En annexe est presentee la Recension que Hegel fait de la Dissertation de W. von Humboldt sur la Bhagavad-Gita - publiee en 1827 dans les Jahrbucher fur wissenschaftliche Kritik, et jusqu'alors inedite en francais - qui fournit une illustration vivante de ces themes. (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 (...) class='Hi'>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)

Ce numéro thématique a pour objectif de réunir un ensemble de contributions s’attachant à rendre compte de la constitution et de l’utilisation de corpus de données orales ou écrites dans le champ des pathologies du langage. Plus précisément, notre ambition est de montrer ce que les données issues de situations réelles peuvent apporter aux connaissances actuelles dans ce domaine. Nous considérons, à l’instar de (de Weck & Rodi 2005 ; de Weck & Marro 2010 ; MacLeod et al. 2011 (...) ; MacWhinney et a... (shrink)

Après les traités 38, 50 et 25, les Éditions du Cerf récidivent avec un nouveau titre, le traité 20 Sur la dialectique. Il faut toutefois aborder ce livre d’une manière toute spéciale, car il se distingue radicalement des autres parutions de cette collection. L’auteur, Vladimir Jankélévitch, s’est en effet éteint à Paris en 1985, à l’âge de quatre-vingt-deux ans. Le travail qu’on offre au public prend donc la forme d’un hommage posthume à ce philosophe français dont les publications s’étendent sur (...) cinquante ans, de 1924 à 1974. C’est précisément sa toute première composition d’importance, celle de 1924 lors de son diplôme d’études supérieures, qui s’ajoute désormais à l’ensemble de ses écrits et permettra de voir à quel état d’élévation se trouvait alors sa pensée du haut de ses vingt ans. L’édition moderne qu’on en propose respecte autant que possible l’original manuscrit. Par exemple, toutes les annotations que fit Émile Bréhier en marge du travail de son étudiant apparaissent au bas des pages. Même les quelques erreurs de langage subsistent dans leur intégralité. Nos attentes doivent alors s’ajuster au type de travail qu’on s’apprête à lire. En tant que relique et témoignage d’une intelligence en plein développement, il prend une tout autre tangente que les ouvrages plus matures qu’a écrits P. Hadot sur les traités 38 et 50. La division de la recherche en introduction, traduction et commentaire, si constante d’un livre à l’autre, s’évanouit dans le traité Sur la dialectique. On n’y trouve aucune traduction et seulement un commentaire plus ou moins suivi sur la seconde moitié du traité. Le lecteur fera bien de se munir au préalable de son édition de Plotin chez Les Belles Lettres, afin de se rafraîchir au besoin la mémoire sur le traité I, 3. (shrink)

Cet article présente les solutions utilisées pour le Corpus électronique des textes polonais des 17e et 18e siècles afin d’adapter son jeu de balises grammaticales à l’évolution du système morphologique qui a eu lieu au cours de la période. Les 17e et 18e siècles ont été marqués en effet par la formation d’une nouvelle catégorie grammaticale, appelée « masculine-personality » (Pl. *męskoosobowość*). Cette époque marque une transition de l’état ancien à l’état moderne et se caractérise par une variation significative (...) des terminaisons des formes plurielles N, A et V des noms masculins animés à cette époque. Par conséquent, le jeu de balises utilisé pour annoter le corpus, qui a été créé à l’origine pour le polonais moderne, a dû être légèrement modifié à cet égard. La deuxième partie de l’article décrit les recherches menées à l’aide de ce système d’annotation, qui ont montré que la différenciation des terminaisons flexionnelles des noms masculins personnels et impersonnels en polonais était déjà avancée au 17e siècle et presque achevée à la fin du 18e siècle. (shrink)

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)

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 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)

This paper addresses the treatment of noise caused by word omissions in a corpus of school writings, in order to facilitate their subsequent automatic processing. While a normalization step may facilitate the processing of these texts, certain linguistic expressions remain challenging to comprehend, particularly in instances where the writer omits words from the text. The present contribution proposes three automatic and semi-automatic potential solutions to this problem. The first method employs a "mask" token in the form of xxx. The (...) second is a semi-automatic approach whereby each morpho-syntactic category proposed during normalization is replaced by the corresponding "prototypical word." The third involves a FlauBERT method, using this language model to "reconstruct" the most probable token in the text. The three methods are evaluated quantitatively, and the results obtained using method 3, which proved to be the most effective in the context of our research, are also presented qualitatively. (shrink)

La richesse des œuvres de George Sand ne cessent de nous éblouir : deux ouvrages témoignent de l’étendue de sa production littéraire dans un contexte historique bien précis grâce à des chercheurs connus et moins connus qui ont soigneusement édité ses écrits. Le contexte est d’autant plus important pour notre compréhension de son engagement public. Contrairement à la notion de l’auteur romantique qui se coupe du monde dans une solitude artistique, George Sand est ici dans sa splendeur de femme...

« Aucun siècle n’a commencé avec un aussi grand nombre de femmes de lettres ; aucun siècle, sans doute, n’aura vu l’éducation des femmes plus soignée. » Nous sommes en 1804, il s’agit du jeune xixe siècle, et Fortunée Briquet, 22 ans, dédie son Dictionnaire, que l’on peut qualifier de « proto-manifeste féministe », au… Premier Consul et Président, Napoléon Bonaparte. Ce n’est pas le moindre des paradoxes et particularités de ce livre admirablement commenté, annoté et présenté par Nicole Pelle...

Este artículo muestra que la obra de Foucault puede dividirse en cuatro categorías de documentos: los libros publicados en vida, los documentos de Dits et écrits, los cursos del Collège de France y los textos póstumos. Cada categoría tiene un registro distinto: los libros publicados en vida del autor representan para el investigador un corpus documental más confiable, pues se trata de una obra revisada, aprobada y finalizada por Foucault. Los documentos de Dits et écrits son diversos, y tienen (...) un registro más ligado a oralidad, al pensamiento inmediato, a la premura de la respuesta. Los cursos del Collège de France tienen un registro mucho más complejo por las modificaciones que los editores debieron realizar para convertir el lenguaje oral al escrito y porque se tratan de investigaciones en curso. Por último, los textos póstumos son mucho más complejos y en cierto sentido menos confiables, peropermiten pensar; por ejemplo, en las aparentes pausas investigativas que hay entre la publicación de los libros. (shrink)

L’article propose d’étudier la dislocation en italien, structure productive tant dans la dimension orale qu’écrite de la langue. A partir des caractéristiques communément attribuées à cette structure, le travail consiste, sur la base d’un corpus écrit, à analyser les occurrences de dislocation aux niveaux formel et communicatif, afin de montrer que cette construction syntaxique n’est pas un objet unique mais pluriel.