AnalyseSHS, un outil à tester

AnalyseSHS est développé au laboratoire PIREH (Pôle informatique de recherche et d’enseignement en histoire) depuis plusieurs années. Ce site permet d’envoyer un tableau de données (CSV, ods, xslx…) et de réaliser dessus différentes analyses factorielles dont des AFC et des méthodes de classification (calculées par R), puis d’explorer les résultats à travers une interface web dynamique.

Une fois sur AnalyseSHS, il est notamment possible de déterminer un seuil minimal à partir des contributions des modalités aux facteurs afin de limiter le nombre de points présents sur le graphique, d’ajouter des variables illustratives, etc.

Voici une documentation permettant d’assurer le passage à AnalyseSHS à partir d’un corpus dans TXM.

Source : propos de Léo Dumont (université Paris 1 Panthéon Sorbonne) d’après un échange courriel sur la liste txm-use

Outils pour la langue turque

TreeTagger ne prévoit pas de modèle pour la langue turque.  Il peut être utile d’aller voir la page Internet TS Corpus qui propose des outils d’annotation de données en langue turque et d’autres outils.

Annoter des données en langue persane

L’un des participants du cours Initxm travaille sur des données en langue persane. À ce jour, cette langue ne figure pas dans l’offre de langues des modules d’annotation sur le site dédié à TreeTagger. Nous avons suggéré à notre spécialiste de persan d’annoter ses données à l’aide de XML-TEI (voir le livre de Lou Burnard publié en 2014 : What is the Text Encoding Initiative?. Traduit en français par Marjorie Burghart en 2015 : Qu’est-ce que la Text Encoding Initiative ?).

D’autres solutions existent : pour trouver des informations sur des outils d’annotation de langues variées, on peut consulter le document DKPro Core™ Tagset Reference. Il y figure des informations sur la Uppsala Persian Dependency Treebank. Il est également possible de consulter le système de gestion Sketch Engine qui se sert d’étiqueteurs variés dont TreeTagger et qui propose actuellement trois corpus annotés en langue persane.

Language Name Words
Persian CHILDES Farsi Corpus 120,527
Persian OPUS2 Persian 4,425,133
Persian TalkBank Persian (blog posts) 474,773,547

Programme de la troisième séance

Notre troisième séance sera orientée “travaux pratiques”. Vous allez encore tester quelques fonctionnalités de TXM. Ensuite, vous allez extraire un corpus d’experts (Boch & Frier, 2015 : 91) à partir du Corpus Chambers-Le Baron et constituer un fichier de métadonnées. Cela vous donnera l’occasion de travailler avec des ensembles de données qui correspondent à votre discipline.

Les mots-clés vedette de cette séance sont “métadonnées”, “extraction”, “normalisation”.

Références

Boch, Françoise & Frier, Catherine (2015). « Travailler le texte : ponctuation, anaphores et collocations », dans F. Boch et C. Frier (dir). Écrire dans l’enseignement supérieur : Des apports de la recherche aux outils pédagogiques. Grenoble : UGA Éditions (Didaskein), p. 53-109.

Chambers, Angela et Le Baron, Florence (2006). Corpus Chambers-Le Baron d’articles de recherche en français. http://ota.ahds.ac.uk/headers/2527.xml