Une corpus multilingue de textos: enseignements linguistiques et applications informatiques

Cédrick Fairon (cedrick (point) fairon <at> uclouvain (point) be)

Centre de traitement automatique du langage (CENTAL), Université catholique de Louvain

Le 11 mai 2011 à 14 h

Salle C-9019, Pavillon Lionel-Groulx — Attention, l'heure est inhabituelle


Le développement de la communication par textos (depuis la fin des années quatre-vingt-dix) a donné lieu, ces dernières années, à de nombreuses études envisageant les aspects linguistiques, communicationnels, psycho-sociaux, technologiques, etc. La principale difficulté rencontrée par ces études est généralement l’accès à des corpus représentatifs de la diversité des usages. Le projet SMS4science (http://www/sms4science.org) s’attaque précisément à ce problème en tentant de constituer un corpus multilingue international. Les données de ce corpus sont collectées par un consortium de partenaires académiques dans différentes régions du monde en suivant une même méthodologie. Les données recueillies (textos et informations sociolinguistiques décrivant les usagers) sont anonymisées puis encodées selon des normes communes. Le Centre de traitement automatique du langage de l’UCL (Cental) qui coordonne le projet assure l’uniformisation finale de cette ressource. Dans cette communication, nous présenterons les caractéristiques de ce corpus, son état actuel ainsi que les projets d’extension en cours. Ensuite, nous montrerons quels sont les apports de cette ressource et quels sont les enseignements que l’on peut en tirer sur le plan linguistique et du traitement automatique du langage.


Pour recevoir les annonces hebdomadaires par courriel, visitez http://rali.iro.umontreal.ca/rali/?q=fr/node/1631

Liste des autres séminaires