De la transcription à l'étiquetage morphosyntaxique : le cas de la banque de données textuelles orales Valibel
(2007)
Files
Dister_Anne.pdf
Open Access - Adobe PDF
- 28.09 MB
Details
- Authors
- Supervisors
- Abstract
- Depuis plus de quinze ans, le Centre de recherche VALIBEL constitue et exploite des corpus oraux. Les enregistrements des productions orales sont transcrits, et ces transcriptions peuvent alors servir de base à des recherches, indépendamment de leur source sonore. L'objectif final de notre travail est d'annoter les données transcrites en assignant à chaque mot ou groupe de mots du texte transcrit un lemme (c'est-à-dire une forme canonique) et une information morphosyntaxique (c'est-à-dire quant à la catégorie grammaticale et à la flexion). Le système de levée d'ambigüités que nous développons est le système ELAG, distribué avec le logiciel de traitement de corpus UNITEX. Ce système a l'avantage que nous avons prise sur des décisions importantes à plusieurs niveaux : le choix des étiquettes, l'extension de celles-ci, la possibilité de corriger le processus d'étiquetage quand celui-ci est erroné ou encore le fait de fournir un résultat partiel qui pourra être complété par d'autres chercheurs. On a donc la pleine maitrise d'un processus qui part du texte transcrit pour aboutir à un texte annoté morphosyntaxiquement. C'est ce processus que ce travail vise à décrire, dans six chapitres distincts, dont les interactions les uns avec les autres sont étroites. Le premier chapitre s'intéresse au problème de la transcription des données orales. Envisagée par certains comme une simple activité de copiste, on a montré depuis Ochs (1979) que la transcription engage une théorie. Dans le deuxième chapitre, nous caractérisons le sous-corpus que nous avons constitué à partir de la banque de données VALIBEL. Nous avons sélectionné 60 textes, sur la base de la qualité sonore des enregistrements ainsi qu'à partir du profil sociologique des locuteurs. Ce sous-corpus comprend près de 450 000 mots. Dans le troisième chapitre, nous étudions de manière approfondie certaines marques typiques des énoncés en cours d'élaboration, marques appelées fréquemment disfluences : les répétitions, les autocorrections, les amorces de mots et les pauses dites pleines (euh). Ces marques constituent un piétinement sur l'axe syntagmatique de l'énoncé et elles nécessitent d'être prises en compte par le système d'étiquetage. Nous analysons chaque disfluence individuellement, ainsi que les interactions entre elles. Le quatrième chapitre détaille le prétraitement auquel nous soumettons le corpus. En effet, pour être utilisé par UNITEX, le texte doit subir un certain nombre de modifications. Celles-ci concernent les disfluences étudiées au chapitre 3, mais également la référenciation des locuteurs ou encore le découpage du texte en unités de traitement. Dans le cinquième chapitre, nous décrivons les ressources lexicales que nous utilisons. Celles-ci sont constituées des dictionnaires électroniques développés au LADL, auxquels nous avons ajouté le DELFRABEL, dictionnaire électronique du français en Belgique que nous avons construit. Nous détaillons nos choix quant aux catégories grammaticales que nous utilisons, ainsi qu'à leur extension, pour ce qui concerne les mots grammaticaux. Dans le dernier chapitre, nous présentons le système de levée d'ambigüités ELAG ainsi que certaines grammaires que nous avons construites. Nous montrons l'efficacité d'un tel système, basé sur des règles contextuelles écrites par des linguistes, sur un corpus tel que le nôtre.
- Affiliations
Citations
Dister, A. (2007). De la transcription à l’étiquetage morphosyntaxique : le cas de la banque de données textuelles orales Valibel. https://hdl.handle.net/2078.5/212087