Navigation – Plan du site
SynThèses

Construction de corpus généraux et spécialisés à partir du Web (Ad hoc and general-purpose corpus construction from web sources)

Thèse de doctorat en sciences du langage, sous la direction de Benoît Habert, soutenue le 19 juin 2015, École Normale Supérieure de Lyon, université de Lyon
Adrien Barbaresi

Texte intégral

1Alors que l'omniprésence de la communication numérique est indéniable, les nombreuses traces laissées par les utilisateurs-clients sont amassées et exploitées majoritairement à des fins commerciales. Or, la constitution d'objets d'études numériques doit donner à la communauté scientifique les moyens d'analyser ces données. La linguistique notamment doit contribuer à mieux cerner la diversité et la quantité de textes présents sur internet afin de disposer de corpus de textes actuels, sur lesquels pourrait s’appuyer la description de la variété des usages et des changements en cours. En outre, le déplacement du terrain d'analyse des corpus écrits traditionnels vers des textes tirés du web entraîne la création de nouveaux outils et de nouveaux observables. Il convient donc de fournir le bagage théorique et pratique nécessaire à l'établissement de critères scientifiques pour la recherche sur ces textes.

2Le premier chapitre de la thèse s'ouvre sur une description du contexte interdisciplinaire pour se consacrer ensuite à la notion de corpus dont l’intérêt est illustré à travers plusieurs scénarios. Des étapes clés de la construction de corpus, allant de l’ère pré-digitale à la fin des années 1950 aux derniers développements de ces dernières années, sont retracées. Les continuités et changements entre la tradition en linguistique et les textes tirés du web sont exposés, ainsi que la part invisible des corpus et de l'outillage linguistique, une série de décisions et un outillage souvent implicites mais qui gagneraient à être documentés, vérifiés et reproduits.

3En ce sens, le second chapitre rassemble des considérations méthodologiques liées à différents sujets connexes. Dans un premier temps, l'état de l'art concernant l’évaluation de la qualité de textes est présenté. Ensuite, les méthodes utilisées par les études de lisibilité ainsi que par la classification automatique de textes sont résumées et des dénominateurs communs isolés. Enfin, la visualisation de textes démontre l'intérêt du travail sur grand corpus dans le contexte des humanités numériques, de même que la nécessité de trouver un équilibre entre analyses quantitatives et linguistique de corpus.

4Le troisième chapitre s'attache à la science du web considérée sous l'angle de la recherche et du téléchargement des données qui, une fois rendues exploitables, donneront lieu à des corpus proprement dits. Le cas des URLs sources est examiné avec une attention particulière. La notion de prétraitement des pages web, introduite à cette étape, doit conduire à une meilleure connaissance des données de même qu'à une plus grande efficacité. De ce fait, l'impact des prétraitements sur le résultat est évalué. La question de la simplicité et de la reproductibilité de la construction de corpus est mise en avant. Ces éléments viennent justifier l'apport de la thèse en ce qui concerne la recherche sur les textes tirés du web.

5La quatrième partie décrit, quant à elle, son apport du point de vue de la construction de corpus, en abordant la question du choix des sources et le problème des documents invalides ou indésirables. Deux types de construction sont décrits ; d'une part les corpus restreints (ad hoc) qui se concentrent sur un genre ou un site web et transposent des questions liées aux corpus traditionnels telles que celles sur le choix des sources ou la qualité des textes ; et de l'autre des corpus à usage général, héritiers des corpus de référence, qui visent à contenir la plus grande variété possible de phénomènes linguistiques et supposent ainsi d'autres choix et d'autres ajustements. Une approche multilingue utilisant un éclaireur léger pour préparer le parcours du web est présentée. Ensuite, les travaux concernant la sélection de documents juste avant l'inclusion dans un corpus sont résumés : il est possible d'utiliser les apports des études de lisibilité ainsi que des techniques d'apprentissage artificiel au cours de la construction du corpus. Un ensemble de caractéristiques textuelles testées en anglais sur des échantillons annotés évalue l'efficacité du procédé. Les corpus construits au cours de la thèse, qui ont pour objet l'étude de l'allemand, sont présentés. Enfin, des travaux sur la visualisation sont abordés, tels que l'extraction de caractéristiques à l'échelle d'un corpus afin de donner des indications sur sa composition et sa qualité.

6Revaloriser la construction de corpus permet d'aller au-delà de simples collections et ressources hétéroclites. À l'ère numérique, la part d'invisible et d'impensé présente dans la technique autant que dans les techniques de construction doit être connue des chercheurs afin de répondre aux exigences scientifiques et de permettre un retour éclairé à l'étude des textes.

Haut de page

Pour citer cet article

Référence électronique

Adrien Barbaresi, « Construction de corpus généraux et spécialisés à partir du Web (Ad hoc and general-purpose corpus construction from web sources) », Trajectoires [En ligne], 10 | 2016, mis en ligne le 01 décembre 2016, consulté le 30 avril 2017. URL : http://trajectoires.revues.org/2157

Haut de page

Auteur

Adrien Barbaresi

adrien.barbaresi@oeaw.ac.at

Haut de page