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

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”.

Les langues que TreeTagger peut traiter

Voici la réponse à l’une de vos questions, à savoir si TreeTagger peut traiter du texte écrit en coréen.

Oui, TreeTagger peut en effet étiqueter des textes écrits en coréen. D’ailleurs, parmi le florilège des langues représentées sur cette page de Helmut Schmid, on trouve le grec, le moyen haut allemand, le mongolien, le polonais, le Swahili – et pas l’arabe ? Il y a un chercheur qui s’est intéressé à ce domaine, mais je ne sais pas ce que cela a donné par la suite.

 » [article] [bib] [résumé
Développement de ressources pour l’entrainement et l’utilisation de l’étiqueteur morphosyntaxique TreeTagger sur l’arabe.

Remarque supplémentaire : le wiki des utilisateurs TXM informe sur le traitement des corpus de textes en langue arabe par TXM. Un message de Jean-Claude Deroubaix sur la mailing list TXM donne les explications suivantes par rapport au traitement de cette langue :

TXM peut il traiter des corpus de textes Arabes ?
TXM importe correctement les textes Arabes encodés en UTF-8. Les éditions et résultats s’affichent alors correctement (de droite à gauche avec liaison entre les caractères). Avec quelques limitations : les unités lexicales ne sont segmentées qu’au niveau des espaces. Le découpage de la surface textuelle ne correspond donc pas systématiquement aux mots des textes, mais il semble malgré tout utile pour une première approche d’analyse. Nous sommes à la recherche de composants open-source de segmentation lexicale efficaces pour cette langue, ou au moins de règles de segmentation élémentaires permettant d’améliorer la segmentation actuelle. Si vous avez la possibilité de faire segmenter les textes par d’autres outils, nous vous recommandons alors d’utiliser le module d’importation XML/w qui tient compte des segmentations déjà disponibles au sein des textes ;
il n’y a donc évidemment pas de lemmatisation ni d’étiquetage morpho-syntaxique. Nous sommes à la recherche de composants open-source efficaces pour réaliser ces opérations pour cette langue :

Les contextes gauche et droit des concordances sont inversés ;
les pages d’éditions sont justifiées à gauche, alors qu’elles devraient être justifiées à droite.

Références de travaux utilisant TXM pour travailler sur des textes en langue arabe :
Alnassan, A. (2017). L’enseignement de l’arabe L2 entre l’héritage et la nouveauté en didactique des langues vivantes. Bellaterra Journal Of Teaching & Learning Language & Literature, 10(1), 20 – 41. doi:10.5565/rev/jtl3.665.

 

Après la première séance

Premier bilan après cette première séance : nous avons passé du temps à nous occuper de l’installation de TXM et de TreeTagger, chose rendue difficile par un accès à Internet exceptionnellement très instable dans nos locaux (merci pour ton précieux soutien, Kim !). Certains d’entre vous auront à faire ces gestes d’installation avant la deuxième séance. Pensez à solliciter la communauté des utilisateurs et utilisatrices de TXM pour vous faire aider, si nécessaire (voir onglet “Communauté TXM”). Vous pouvez également regarder les vidéos de démonstration diffusées sur ce carnet Hypothèses.

Continuer la lecture de « Après la première séance »

Avant de commencer

Les corpus numériques sont des collections de textes qui peuvent être abordés à l’aide d’outils de textométrie offrant des services de comptage et de visualisation graphique des mots. Il est possible d’y faire appel pour se rendre compte des caractéristiques générales d’un genre textuel ou d’un discours spécialisé, pour comparer un texte en gestation à des textes comparables rédigés par des experts du domaine et pour bien d’autres actions encore.

Lors de la formation, vous aurez l’occasion de créer et explorer un corpus représentant le domaine principal que vous abordez dans votre recherche et d’y comparer la version actuelle de votre fichier de thèse, que le travail soit en stade précoce ou déjà bien avancé.