Quelles annotations attendre d’un corpus ?

La question qui se pose, pour un corpus de français oral, est de savoir ce qui doit être mis à disposition du chercheur pour permettre ses analyses. Les chercheurs en interaction ont besoin d’enregistrements vidéo ; la phonologie requiert une bonne qualité sonore ; les sociolinguistes dépendent d’un jeu de métadonnées suffisant ; la linguistique computationnelle nécessite une certaine quantité de données.

La question des annotations peut être abordée sous cet angle.

Continuer la lecture de « Quelles annotations attendre d’un corpus ? »

Réflexions sur l’interface et les métadonnées d’OFROM

La rédaction d’un Mémoire de Master en Linguistique française à l’Université de Fribourg, fondé sur l’analyse d’interactions orales, me conduit à proposer quelques réflexions sur la constitution des données.

Dans ce Mémoire, j’ai examiné le dispositif du discours rapporté direct (DD) en français parlé sous l’angle de la « figuration » (la traduction du « face-work » de Goffman). Il s’agissait d’étudier de quelles façons et pour quelles raisons le DD participe à la présentation de soi et de l’autre dans l’interaction. Selon mon hypothèse de travail, le DD permet par exemple au locuteur rapportant de se construire un ethos valorisant et de (re)configurer l’identité d’autrui positivement ou négativement.

Continuer la lecture de « Réflexions sur l’interface et les métadonnées d’OFROM »

La question des formats pour les corpus

La linguistique de corpus, pour l’oral, est confrontée à un problème technique : une multiplicité d’outils développés isolément au fil des ans a donné lieu à une multiplicité de formats pour représenter nos données (transcriptions, annotations, …).

Le problème nous est si familier qu’il nous semble normal. À l’échelle individuelle ou d’un petit groupe, il peut paraître bénin.

L’atelier DoReCo de septembre 2019 à Berlin a été l’occasion de revenir sur le problème des formats à l’échelle d’une communauté, échelle à laquelle les solutions ad hoc deviennent inopérantes. J’aimerais ici brièvement détailler le problème et les trois solutions générales adoptées pour le résoudre, à savoir : (1) le « tout-en-un », (2) la conversion de formats et (3) le format commun.

Continuer la lecture de « La question des formats pour les corpus »

Calculer l’accord inter-annotateurs sur corpus oral

Bien qu’il ne s’agisse pas d’une question touchant directement aux corpus eux-mêmes (ou indirectement seulement, pour la gestion/valorisation des annotations faites sur ce corpus), l’accord inter-annotateurs revient constamment dans mon travail, du projet SegCor au projet DoReCo, et je voulais donc partager mon expérience à ce sujet.

Plus précisément, j’ai été fréquemment confronté au problème posé par la comparaison des segmentations, et je voulais présenter les trois manières dont ce problème a été traité à travers ces projets.

Continuer la lecture de « Calculer l’accord inter-annotateurs sur corpus oral »