A l'occasion de la journée sur les corpus d'écrits scolaires, mars 2015, paris

1. Analyse linguistique de grands corpus d’écrits scolaires
problèmes de transcription, d’annotation et de traitement
Journée d’études organisée par le groupe Ecriture Scolaire du laboratoire Clesthia (EA 7345)
Mercredi 18 mars 2015
Consortium Corpus-écrits
SIG
TEI-CMC
Open Resources and
TOols for LANGuage
http://comere.org
http://hdl.handle.net/11403/comere
Thierry Chanier

2. Objective: Kernel corpus assembling existing corpora of different CMC
genres and new corpora build on data extracted from the Internet. These
heterogeneous corpora will be structured and processed in a uniform way,
complemented with metadata. CoMeRe will be released as OpenData
through the national infrastructure Ortolang, following constraints which will
be reused for the forthcoming “Corpus de Référence du Français”.
Project supported by the national
consortium Corpus-écrits, sub-part of
Huma-Num, and Ortolang (French
correspondant to DARIAH)
Variety + Standards + Open Access
Consortium Corpus-écrits

3. 3

4. 4

5. Ref Tokens Partici. Posts, <u>, <prod> Envir.
(Antoniadis,2014) 449 313 359 22 052 SMS
(Falaise, 2014) 35 M 25 000 3 M textchat
(Ledegen, 2014) 357 000 850 22 000 SMS
(Reffay et al., 2014) 600 000 67 + 4 groups
- textchat: 6 790
- emails: 2 030
- forums: 2 686
LMS
(Yun, Chanier, 2014) 77 605 31 + 2 courses 7 750 textchat
(Abendroth et al.,
2014)
273 546 26 + 4 groups 1 200 Blog
(Longhi et al., 2014) 567 851 205 34273 Tweet
(Poudat et al., 2015)
489 000
discussions + 330
Mo art.
3 971 4456 (discussions)
Wiki
discussions
(Chanier & Audras,
2015)
184 594 62 + 12 groups
-2809 audio acts,
-248 chat acts,
- 1058 nonverbal acts,
-779 blog messages
Audiographic
conference
(Chanier & Wigham,
2015)
27 912 18 + 4 groups
- 1690 audio acts,
- 669 chat acts,
- 2452 nonverbal acts
3D env.
(Chanier, 2015) 127 228 16 + 2 groups
- 7718 audio acts,
- 1566 chat acts,
- 5790 nonverbal acts
Audiographic
conference 5
informal
business
informal
informal
education
education
education
education
education
science
education
politic

6. 6
Serveur
Local LRL
Dépositeur individuel
Ingénieur :
Kun Jin
Groupe qualité
Discussion avec
dépositeur
Groupe étiquetage
TAL : TEI-v2
TEI-V1

7. 7

8. La diffusion des
corpus et surtout la
possibilité de
longues recherches
futures dépend des
choix de départ

9. 9
1) garantir l'accès ouvert aux données / corpus

10. 10
l'utilisateur est autorisé à télécharger une copie du corpus […]
• la réutilisation (reproduction, diffusion) de parties non substantielles du corpus XXX est
autorisée […]
• la réutilisation est soumise à la condition de citer in extenso, à titre de crédits : […]
• la réutilisation (reproduction, diffusion) de parties substantielles du corpus XXX n'est pas
permise sur le fondement de la présente licence d'utilisation.
Je consens aux présentes conditions d'utilisation (obligatoire pour avoir accès au corpus)
Ce corpus, diffusé par Huma-Num, est présenté comme étant en accès libre (OA)
Regarder sans pouvoir
réutiliser?

11. 11

12. 12
Collecte
des données
Contrats de
consentement
éclairé
ou
Licence d'utilisation
sur données récoltées
Anonymisation
- Préserver informations
essentielles
- Identifier utilisateur sur
toute la banque de corpus
Poser licence
d'utilisation

13. 13

14. 14

15. 15
≠
Images,
audio,
vidéo,
etc.
Exemple sur
Ortolang
Exemple sur
Mulce

16. 16
Données
≠
Corpus version V1
Corpus version V2

17. 17

18. 18
<teiheader>
<text>

19. 19
<teiheader>

20. 20
OLAC
keywords
Discourse
Genre
Type of
interaction

21. 21
The IRC textchat
Types of acts within this
Specific IRC
Subtypes of « event »

22. 22

23. 23
Important
Information
for research
purposes can
be described

24. 24
<text>

25. 25
Individual, informal
context
Individual, educational context
Group with 4 status/ roles

26. 26

27. 27
Title
label
comment
message
Contents
/ body

28. 28
Response
to what?
Sent to
whom?
Read by
whom?
May
contain
HTML,
Table,etc.
Attached
doc

29. 29

30. 30