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

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.