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

Après la deuxième séance

Nous avons accueilli un public partiellement nouveau lors de notre deuxième séance d’initiation à TXM. Il y avait donc encore quelques installations à faire ou à compléter (merci Kim !). Notons qu’il est vraiment important de suivre à la lettre les indications fournies sur le wiki de la liste TXM-users, en particulier en ce qui concerne TreeTagger. Voici quelques rappels :

Une fois que l’on a installé TXM et que l’on a modifié l’extension (pour des données en français : french.par > fr.par), il faut vérifier si TXM trouve le chemin vers le dossier d’installation (donc le dossier qui contient tout ce que vous avez téléchargé pour TreeTagger) et vers le dossier des modèles (models). Pour ce faire, on utilise la fonction « Outils – préférences » et l’on tape « treetagger » dans la case blanche en haut à gauche. Cliquer sur « Parcourir » permet d’identifier vos deux dossiers. Vous confirmerez vos choix par « ok ».

Il faut ensuite vérifier (toujours à l’aide de la fonction « Outils – préférences ») si la langue pour laquelle on a téléchargé le modèle TreeTagger s’affiche sur TXM. On peut le voir en écrivant « import » dans la case blanche en haut à gauche. Si le champ de la langue est vide ou si on y lit « en » ou « de » ou autre chose à la place de « fr », on tape « fr ».