Corpref
•Descargar como ODP, PDF•
0 recomendaciones•461 vistas
Does the world really need a French version of the BNC? and what would that mean exactly?
Recomendados
Más contenido relacionado
Destacado
Destacado (20)
Similar a Corpref
Similar a Corpref (20)
Corpref
- 1. Mais enfin, pourquoi faire un “corpus de référence” en 2012? Lou Burnard lou.burnard@tge-adonis.fr Initiative corpus de référence du francais, Paris, 2012
- 2. On peut se servir d'un corpus de plusieures manières De manière exploratoire ou investigative par ex dans une domaine médico- légale De manière comparative Comparaisons des langues, registres, etc. De manière evaluative Ou tout bêtement pour retrouver des mots... 2
- 3. Corpus ??? 3
- 4. Comment retrouver le sens d'un mot que l'on ignore? Appliquer un algorithme Demander aux autorités Regarder son usage 4
- 5. 1. Application d'un algorithme Corpus → “corpu” +s Corpus → “corp” + “us” “corpuses” ... 5
- 6. 2. Demande aux autorités dy of literature on any subject. ... 4.The body of written or spoke ordered according to explicit linguistic criteria in order to be used 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 s d, and bound together.. We have also a corpus of the Greek poets.. The corpus of the ci also a corpus of the Greek poets.. The corpus of the civil law is composed of the diges 16 Bound up inseparably with the whole corpus of Christian tradition. 4. The body of wr e informant.. and in particular upon a corpus of material, of which a large proporti 8
- 9. … et un autre ... FL t C l 9
- 10. … et encore un 10
- 11. Variétés d'enjeux Une dictionnaire représente ce qui est remarquable Un corpus représente ce qui est typique On ne peut rien dire sur le remarquable, sans connaissance du typique 11
- 12. “language” abstraction Language In Use selection texte
- 13. texte encodage modèle abstraite corpus numérique analyses
- 14. Etapes de construction de corpus Conceptiono Séléction des textes Identification des traits signifiants Exécution Saisie des données (représentation textuel) Encodage (représentation conceptuel) 14
- 15. La question de taille There’s no data like more data (Marcus, 1994) De point de vue lexicale un corpus ne peux jamais être trop petit De point de vue littéraire la taille 15
- 16. Principes de moissonage La langue est infini : le corpus en principe est d'une taille fixe mais un corpus peut prétendre représenter / être représentatif production vs. reception stratified sampling Nota : un corpus peut servir de référence sans forcément être 16
- 17. Principes de sélection programme de recherche traits structuraux traits interprétatifs traits contextuels 17
- 18. Qu'est-ce qu'un texte? une image des mots des informations structurées ou tous les trois ? 18
- 19. Caractéristiques des textes Un texte ou document est à la fois un objet linguistique, donc abstrait, et un objet physique On peut le structurer de plusieures manières (linéaires, hiérarchiques, intertextuelles) Un texte est un objet culturel issu 19
- 20. Tout texte ressort d'un contexte particulier ... Quels agents de responsabilité intellectuel ? Quel publique est visé ou obtenu ? Quel est l'objet de cette communication ? 20
- 21. Identification et sélection des traits textuels Une procédure iterative et scientifique aka (également connu sous) document analysis Il n'y a pas de vérité unique … quand même on peut identifier des avis consensuels cf TEI 21
- 22. Variétés d'annotation Annotation de structure Textes, paragraphes, énoncés, phrases, mots Annotation linguistique Morphosyntaxe, fonction syntactique Metadonnées Text-type, contexte ... 22
- 23. En sommaire Un corpus linguistique est un recueil de textes non aléatoire Issu d'un procédure d'échantillonage effectué selon des principes explicites Il incarne ainsi un modèle théorique sur ce qu'est que le langage ce modèle est explicité par l'encodage ou balisage du corpus Nota : il y a d'autres avis ... 23
- 24. Cas d'étude : le British National Corpus Un “snapshot” (photo instantanée) de l'anglais britannique à la fin du 20ème siecle 100 million mots en c. 4000 échantillons, y compris l'oral (10% par volume) Dessin “non-opportunistic” (non aléatoire) 24
- 25. D'où est venu le BNC ? Un consortium de scientifiques et éditeurs lexicographiques OUP, Longman, Chambers OUCS, UCREL, BL R&D Avec un financement important du gouvernement britannique 1990-1994 Destiné aux communautés scientifiques Chercheurs en lexicographie, TAL, etc. 25
- 26. Courants intellectuels des années 1990 Un monde sans web! Deux traditions de linguistique de corpus ICAME, Lancaster Oslo Bergen COBUILD Théorie naissante de text encoding Naissance des industries de langue au niveau européen AI -> NLP Coopérations académiques et industrielles 26
- 27. Buts déclarés du projet Un corpus synchronique (1990-4) d'échantillons à la fois oraux et écrits de toute la variété de production de l'anglais britannique D'une conception opportuniste et d'application générale Avec annotation POS Et plein des métadonnées 27
- 28. Buts véritables (?) du projet Amélioration des dictionnaires ELT Questions d'autorité oks back to Brown and LOB in its design and markup, and forward to the W Respect pour l'orale Un modèle nouveau pour la recherche au niveau européen Conception et encodqge des corpus Co-operation industriel-scientifique Un REALLY BIG corpus production de textes numeriques à l'échelle industrielle 28
- 29. La machine à saucisses BNC Spoken Sélection, droits, saisie Written OUP (OUP/Chambers) (Longman) Enrichissement et encodage Initial CDIF Conversion and Validation Word Class Annotation (OUCS) (UCREL) Header generation and final validation (OUCS) Documentation, distribution, maintenance 29
- 30. Conception “Non-opportunistique” But: le fair play envers toute la variete des voix constitutives de l'anglais du RU c. 1995 90% écrit, 10% oral (pour des raisons économiques) Critères de sélection prédéfinis Pour l'écrit : domaine (topos); médium; time Pour l'oral : demographic balance; context Critères supplé,entaires de description pour maximer la variation 30
- 31. Groupes de travail Permissions (questions juridiques) selection, design criteria encoding and markup enrichment and annotation retrieval software 31
- 32. Through-put (million mots/trimestre) 35 30 25 20 Received Validated 15 Annotated 10 5 0 6 7 8 9 10 11 12 13 14 32
- 33. Tensions desir de tester annotation scheme requirement to meet deliverables slipping goal posts quantity above quality … an interesting learning experience for both sides! 33
- 34. That famous BNC balance BNC-W 78731276 5997489 8021274 8743604 Spoken Demographic Spoken Context Governed Books and Periodicals Other written 34
- 35. Written Domains 16612770 BNC-211630083 3798318 3093407 7242024 13496137 7327671 7493077 16781393 Imaginative Scientific Social Science Applied Science World Affairs Commerce Arts Belief Leisure 35
- 36. Spoken domains 1639159 1285938 4214819 1652246 1565705 Educational Business Institutional Leisure Demographic 36
- 37. Structure du BNC bnc teiHeader bncdoc bncdoc 4054 bncDoc teiHeader text stext 910 37
- 38. BNC structure text stext div 1 divdiv div1 pp uu 784,981 pp uu ss ss ss s 6,052,202 wwwwww 97,619,934 w 38
- 39. Annotation POS Approche classique CLAWS (Leech, Garside et al) Qu'est-ce qu'un mot? sn't prima facie obvious, in spite of spelling conv Qu'est-ce qu'un POS? NN1 NN2 NP1 NP2 TO0. . . 39
- 40. Representation de l'annotation <s n="00011"> OS real_AJ0 annus_NN1 horribilis_XX began_VVD on_PR <w ana="AT0">The</w> <w ana="NP0">Queen</w> <w ana="POS">‘s</w> <s <w ana="AJ0">real</w> n=00011> <w ana="NN1">annus horribilis</w> <w AT0>The <w NP0>Queen<w POS>‘s <w ana="VVD">began</w> <w AJ0>real <w NN1>annus horribilis <w ana="PRP">on</w> <w VVD>began <w PRP> <w ana="NP0-NN1">Sunday</w> <w NP0-NN1>Sunday<c PUN>.</s> <c ana="PUN">.</c> </s> 40
- 41. Pour BNC-XML, on a reclassifié les textes Academic Literary Press Nonfiction Unpublished Conversation OtherSpolen ...sentences ...words 41
- 42. Textes orales : echantillons démographiques Enregistrés par 124 personnes recrutées Nombres equivalents de males et de femelles sélectionnés pour age et classe sociale habitant 38 lieux differents è travers le RU Charge d'enregistrer toutes leures conversations pendant trois journées permissions obtenues après chaque conversation age, sex, accent, occupation, relations notées si possible Grand quantité d'adolescents londoniens, later published as COLT 42
- 43. Observer effect? 43
- 44. BNC XML structuration de document <bncDoc> <teiHeader> Entete : toutes les métadonnées </teiHeader> <wtext> ou <stext> Texte </wtext> or </stext> </bncDoc> 44
- 47. A quoi ça sert tous ces chevrons? Ils vous permettent de faire des distinctions très importantes aids=SUBST vs aids=VERB occurrences en l'écrit vs occurrences en oral occurrences au sein des titres vs occurrences au sein des paragraphes Et d'identifier des unités textuels à plusieurs niveaux FACTSHEET WHAT IS AIDS? AIDS (Acquired Immune Deficiency Syndrome) is a condition caused by a virus called HIV (Human Immuno Deficiency Virus). 47
- 48. 48
- 49. 49
- 50. 50
- 51. 51
- 52. 52
- 53. BNC est devenu malgré soi un best seller 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 53
- 54. Après-BNC Phénoménon curieux dans plusieurs pays european : construction des “national corpus” pareils Les éditeurs de dictionnaires ont rapidement crée leurs propres corpus “in house” (monitor corpus) Dans la societé, un évolution rapide de manières nouvelles 54
- 55. L'anglais des années 90 restera-t-il toujours d'interêt? Evolution des média e-mail Pages web blogs SMS Twitter, facebook, personal networks Lettres personalles Evolution des topos globalization internet Elvis Word Perfect Le BNC devient un document historique; voire littéraire 55
- 56. Le corpus littéraire : origines Project Gutenberg et beacoup d'autres pareils ont demontre la possibilite et l'interet de creer des corpus literaires pour le grand publique Un modele economique base sur les efforts benevoles, en contraste avec 56
- 57. Le corpus littéraire : maintenant Commercialisation devenue effective avec l'existence du standard eBook standard, et de tres lourdes investissements de la Possibilitésde Apple et du part serieuses pour l'application Amazon sourcing crowd Google Books met a 57
- 58. L'application des corpus en apprentissage de langues... complète (et corrige) les intuitions encourage l'autonomie de l'appreneur conteste le status du locuteur natif transforme le role de l'enseignant 58
- 59. L'usage 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 considérer comme une source de plusieurs corpus http://wacky.sslmit.unibo.it/ 59
- 60. Création des corpus à partir du web Selectionner 500 termes qui sont typique du langage ciblé Générer 5,000-8,000 requêtes contenant chacune 4 mots choisis dans ces 500 termes Envoyer ces requêtes à Google et retenir les 10 premiers URLS retournés 60
- 62. Corpus distribués La promesse de l' “eScience”, “grid computing” etc. Séparation et distribution des ressources et des outils Procédure tres effective aux sciences dures mais ... … nécessitant de grands efforts de cooperation et de standardisation 62
- 63. Visions of the future 63
Notas del editor
- 21 21