Ressources numériques en sciences humaines et sociales OpenEdition Nos plateformes OpenEdition Books OpenEdition Journals Hypothèses Calenda Bibliothèques OpenEdition Freemium Suivez-nous

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.

J’opposerai ici une annotation, ou ‘valeur ajoutée’, interprétation/analyse du chercheur, et une transcription, ou ‘donnée brute’, censée représenter le plus fidèlement possible le signal sonore (ou visuel). Signalons d’emblée les problèmes que cela pose : un alignement phonémique tiendrait alors de la transcription ; comme l’illustre CLAPI, la transcription peut varier grandement selon les conventions ; la transcription est, en elle-même, condamnée à être une interprétation du transcripteur (Blanche-Benveniste & Jeanjean 1986) et la linguistique de l’oral rappelle sans cesse de se référer au signal.

Si néanmoins nous acceptons cette dichotomie, alors la philosophie qui semble prévaloir en linguistique de corpus est que le corpus fournit une transcription (en plus de la source) et que les annotations sont à la charge des chercheurs.

Cette philosophie semble de plus en plus contredite dans la pratique, et c’est sur ce point que je voudrais me concentrer. Plus précisément, je m’intéresserai (a) aux diverses pressions qui peuvent pousser les corpus à se doter d’annotations, (b) aux obstacles qui peuvent se poser pour réaliser ces annotations et (c) à la manière dont ces annotations sont ensuite gérées.

1. Une question d’attentes

Pour les corpus, l’annotation des données vise à les valoriser, à encourager leur exploitation. L’annotation phonémique du projet DoReCo n’est pas présentée autrement. Pour un corpus visant la communauté linguistique en général, cette valorisation revient à déterminer les informations nécessaires pour son exploitation par le plus grand nombre : quantité de données, métadonnées, vidéo, etc. Chaque domaine aura également ses attentes en termes d’annotations.

Par exemple, les études sur l’interaction ont besoin d’un faisceau d’informations (voir les conventions GAT2), comme par exemple les inspirations / expirations, informations absentes dans une transcription orthographique dans la tradition de Blanche-Benveniste[1]. Autre exemple, la linguistique de terrain tend à privilégier l’annotation en morphèmes sur celle en ‘mots’ (Part-of-Speech) généralement utilisée pour les langues WEIRD. L’annotation en morphèmes hors de ce domaine est si peu attendue qu’aucun des deux projets de référence pour l’annotation de corpus francophone Rhapsodie et Orfeo ne l’ont considérée, ni aucun corpus allemand de l’AGD. Je ne serai pas exhaustif, il s’agit ici de souligner que les attentes de la communauté existent.

Mais ces attentes sont à nuancer.

Je laisse ici de côté l’annotation des corpus dédiés au FLE comme Florale ou CLAPI-FLE pour lesquels l’annotation est un outil pédagogique (et même là, le choix des annotations se pose). Il ne fait aucun doute, avec les projets Rhapsodie, Orfeo et SegCor, que les chercheurs sont en quête d’annotations. De fait, Rhapsodie a pour ainsi dire établi le standard pour l’annotation de corpus de français parlé. La nuance ne porte donc pas sur l’utilité de ces annotations.

La nuance porte sur les pratiques de recherche. Les chercheurs en phonologie sont habitués à produire leur propre annotation (en phonèmes / syllabes) à partir d’outils tels qu’Easy-Align, Jtrans ou encore le web-service MAUS. Il en va de même en morpho-syntaxe avec des annotateurs automatiques tels TreeTagger ou DisMo. La communauté ne presse donc pas vraiment les corpus à pré-annoter les données disponibles, mais s’attend plutôt à des outils-tiers pour mener ces tâches. Le corpus OFROM, conçu pour les études phonologiques, n’a à ma connaissance pas été incité à fournir un alignement phonémique (bien que cela ait été expérimenté à ses débuts). Lors de l’atelier de Berlin du projet DoReCo, la demande prioritaire était l’accès aux fichiers audio.

La principale cause qui pousse/force les corpus à être annotés, à mon sens, se retrouve dans la question innocente d’un collègue demandant si le corpus Frantext permet les recherches grammaticales (et la réponse est désormais un net oui). Soit parce qu’il n’est pas possible de télécharger les données en local, soit parce qu’il s’agit d’une phase d’exploration ou de découverte, soit du fait de pratiques de recherche, le chercheur va vouloir s’appuyer sur les outils en ligne. Sa première impression, en tant qu’utilisateur, sera le moteur de recherche (ou concordancier) dont l’importance n’est pas ignorée (Liégeois et Badin 2018), soit pour permettre l’analyse en ligne, soit simplement pour la visibilité.

Je suggère ici que l’annotation de corpus est surtout due à un besoin d’ergonomie, plus qu’à un besoin scientifique. Ce n’est là que mon opinion personnelle, et l’équipe TCOF met plutôt en avant l’assurance de fiabilité pour les annotations qui seraient fournies par le corpus. Les deux points de vue ne s’excluent pas forcément.

2. Une question de moyens

Que les attentes en termes d’annotation soient dues au domaine de recherche, à l’ergonomie ou à la fiabilité, elles partagent toutes une variable qui va pousser un corpus à privilégier certaines annotations plutôt que d’autres : la capacité à les réaliser. Si je reprends une brève et approximative liste d’annotations attendues par la communauté :

  • annotation phonémique / syllabique
  • annotation en morphèmes
  • annotation en ‘mots’ (PoS/lemmes)
  • annotations en chunks
  • annotation en dépendances
  • annotation en unités pragmatiques
  • transcription GAT2 (ou comparable)

Celles généralement mises en avant seront le PoS/lemmes, puis les phonèmes, et seulement après les morphèmes et le GAT2. La raison mise en avant est simple, et double : (i) les annotations en PoS et en phonèmes (surtout SAMPA) sont simples tant pour l’annotateur que pour l’analyste et (ii) il existe de nombreux outils automatiques pour les réaliser (Easy-Align, Jtrans et le service en ligne MAUS pour les phonèmes ; TreeTagger, Perceo ou encore DisMo pour les PoS). En comparaison, si la glose et la convention GAT2 sont largement exploitées, elles sont plus complexes et doivent être réalisées manuellement.

A cela s’ajoutent des questions théoriques, que ce soit pour arrêter un jeu d’étiquettes pour les PoS ou les chunks, ou pour un schéma d’annotation en dépendances (Gerdes & Kahane 2017) ; pour les “unités pragmatiques”, il faudrait même s’entendre sur leur définition. Dans la pratique, les annotations et outils disponibles vont favoriser l’adoption de certaines conventions sur d’autres.

Mais bien entendu, et en pratique, la principale difficulté pour les équipes est une limite de moyens.

Il ne s’agit pas seulement du coût consistant à annoter un corpus déjà existant dans son entier ; l’annotation s’ajoute ensuite à toute nouvelle transcription, rendant cette transcription d’autant plus coûteuse ; la chaîne de traitement elle-même, toujours menacée, doit maintenir l’expertise pour mener cette annotation à bien. L’annotation, pour un corpus vivant, représente un risque et un engagement à long terme. Les outils automatiques réduisent ce coût, mais l’attente de fiabilité soulignée par TCOF et l’expérience d’OFROM avec des PoS sans correction manuelle rendent une telle approche discutable.

Une remarque, ici, soulevée lors de la conférence LIFT (2019) à Orléans : l’approche automatique n’est pas entièrement à éliminer. Pour l’étiquetage en PoS, la vaste majorité des étiquettes sont fiables ; une approche possible serait, pour les étiquettes problématiques, de les signaler comme telles, voire de refuser de les annoter. L’outil automatique devrait être adapté en ce sens, avec le risque, rencontré par Easy-Align pour les phonèmes, que trop de parties vides provoquent son abandon par l’utilisateur (ou rendent la correction manuelle, le cas échéant, trop coûteuse).

En attendant que le coût d’une annotation fiable devienne abordable, le plus raisonnable pour un corpus demeurerait sans doute de fournir à son public des conventions et outils-tiers pour s’assurer qu’ils puissent mener cette tâche de leur côté. OFROM à ce titre ne redirige que vers TXM, et de façon anecdotique. Le partage de telles ressources est un objectif de Corli, par extension de CorFlo et il serait sans doute intéressant de le généraliser.

3. Une question de diffusion

Rhapsodie fournit la référence pour les annotations d’un corpus ; de là, il y a l’approche (semi-)automatique ou manuelle selon les ressources disponibles, ou la valorisation de conventions et d’outils-tiers. Mais dans le cas où un corpus dispose d’annotations, la question devient de savoir quoi en faire.

La principale exploitation est, comme dit (§ 1), pour le moteur de recherche / concordancier en ligne. Mais au-delà ? OFROM intègre ses annotations pour le téléchargement d’extraits ; pas pour le téléchargement de l’ensemble des fichiers (du fait de la chaîne de traitement). CFPP dispose d’annotations qu’il est difficile de trouver sur leur site (dans ‘Projets‘) et absentes là aussi des fichiers en téléchargement (notamment TEI). Les corpus ont encore du mal à valoriser ces annotations.

Les annotations de CFPP illustrent aussi un cas qui se généralise de plus en plus, où un sous-corpus est exploité pour des recherches, et mène à des annotations qui ne peuvent pas être généralisées à l’ensemble du corpus (car soit trop spécialisées, soit trop coûteuses, etc). Que faire de ce sous-corpus ?

L’équipe ESLO a sans doute le plus d’expérience à ce sujet, en dédiant un espace explicite pour les sous-corpus. Ces projets internes ou en collaboration sont la manière dont le corpus est enrichi. Corli pour sa part s’appuie sur les métadonnées pour informer de l’existence de ces sous-corpus. Techniquement, il faudrait adapter les moteurs de recherche pour pouvoir prendre en compte ces sous-corpus ; le concordancier en ligne est, en pratique, la vitrine du corpus, et sans lui le chercheur ne réalise pas facilement l’existence de telles ressources. Quant aux sous-corpus de chercheurs tiers, le projet DoReCo a discuté brièvement de la possibilité de les intégrer également avant de conclure que la gestion en serait intenable.

Je résumerai donc ici brièvement.

Il est difficile pour un corpus aujourd’hui de définir quelles annotations adopter, comment assurer ces annotations et comment ensuite les rendre exploitables. Il s’agit, pour les corpus, d’une question de ressources ; pour les ingénieurs, de pistes techniques ; pour le chercheur, de pratiques de recherche. Pour moi, il s’agissait surtout du choc de réaliser qu’un domaine de la linguistique considère, pour des études morphologiques et contrastives, notre Part-of-speech insuffisant.


Notes:

[1] Le chevauchement était lui bien pris en compte par le GARS, avec le soulignement (Dister & Simon 2008) puis avec les chevrons (Equipe DELIC 2004). Il est intéressant de voir cette information abandonnée, sans doute sous l’influence des nouvelles technologies.


OpenEdition vous propose de citer ce billet de la manière suivante :
François Delafontaine (10 février 2020). Quelles annotations attendre d’un corpus ? Accueil. Consulté le 8 décembre 2025 à l’adresse https://doi.org/10.58079/n4tk


Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

This site uses Akismet to reduce spam. Learn how your comment data is processed.