Navigation – Plan du site
De l’enregistrement à l’analyse – Aspects méthodologiques de la linguistique de corpus

Mise à disposition de corpus oraux interactifs : le projet TCOF (Traitement de Corpus Oraux en Français)

Virginie André et Emmanuelle Canut
p. 35-51

Résumé

Cet article présente le projet TCOF (Traitement de Corpus Oraux en Français) du laboratoire ATILF (Analyse et Traitement Informatique de la Langue Française), UMR 7118, CNRS et Nancy Université. Ce projet a été initié en 2005 afin de collecter un grand corpus de données orales et d’étudier les productions langagières et les pratiques interactionnelles (des enfants et des adultes) en français parlé. La mise en place du projet TCOF comporte plusieurs aspects : importante collecte de données, transcription alignée texte-son, mise en conformité juridique, traitement informatique de ces données, diffusion internationale libre et gratuite sur le site du CNRTL (Centre National de Ressources Textuelles et Lexicales), à l’adresse suivante : http://www.cnrtl.fr/corpus/tcof/. L’article présente les réflexions, les contraintes et les travaux en cours pour la réalisation de ces différents aspects.

Haut de page

Texte intégral

1. Origine et objectifs du projet : quelles données pour quelles recherches ?

1Le projet tcof (Traitement de Corpus Oraux en Français) que nous présentons ici a pour ambition de collecter un nombre conséquent de données orales, des dialogues pour la plupart, en vue d’une diffusion internationale libre et gratuite. Ce projet, qui s’inscrit dans une réflexion actuelle sur la collecte et le traitement des données en français parlé, est rattaché à l’Unité Mixte de Recherche 7118 CNRS et Nancy Université : ATILF (Analyse et Traitement Informatique de la Langue Française). Il comporte actuellement 21 heures de corpus alignés texte-son (version Transcriber et TEI) qui peuvent être téléchargeables gratuitement : http://www.cnrtl.fr/​corpus/​tcof/​

1.1. Contexte scientifique de la recherche sur les données orales

2Dans le contexte de la recherche française, les données recueillies par les chercheurs en sciences humaines ne sont pas toujours librement et totalement à la disposition de l’ensemble de la communauté scientifique. Il existe ainsi, en Sciences du langage, une multitude de données orales et écrites sur le français mais leur accès est très inégalement assuré :

  • En ce qui concerne l’écrit, des bases de données textuelles existent et sont consultables. Par exemple, Frantext est un corpus à dominante littéraire constitué de textes français qui s’échelonnent du xvie au xxie siècle. Le CNRTL (Centre National de Ressources Textuelles et Lexicales) regroupe des corpus informatisés comme les deux années des éditions intégrales du quotidien régional l’Est républicain. Internet constitue également en soi une base de données.

  • La situation est plus problématique en ce qui concerne les données orales. Ces dernières sont éparpillées et rarement consultables par des personnes extérieures à la recherche locale. « On peut poser qu’il y a sans doute entre quatre ou cinq millions de mots effectivement disponibles mais l’absence de coordination rend l’exploitation de l’ensemble impossible » (Debaisieux, 2005). Les données sont, en outre, fortement hétérogènes dans la mesure où le recueil et l’analyse dépendent de l’objectif d’étude, de l’orientation épistémologique et de la connaissance des outils à disposition de chaque chercheur (Habert, 2000). En conséquence, la mutualisation des connaissances issues de chacune des exploitations pour les corpus oraux reste relativement exceptionnelle, ce qui rend difficile le cumul des analyses (pour une tentative de synthèse voir la revue Lidil, 31, 2005 : « Corpus oraux et diversité des approches », pour un inventaire, nécessairement incomplet, des corpus oraux en France voir Cappeau et Seijido, 2005). Par exemple, au sein du laboratoire ATILF, si nous faisons la somme des données orales en possession de chacun des chercheurs, nous obtenons un total proche de 2 millions de mots.

3Certains pays européens (Allemagne, Angleterre, Espagne, Portugal par exemple) ont dépassé ces difficultés et ont pu constituer un corpus de référence contenant aussi bien de l’écrit que de l’oral :

  • le British National Corpus (bnc) : cette banque de données compte 100 millions de mots enrichis par des annotations morphosyntaxiques.

  • le Corpus de Référence de l’Espagnol Actuel (crea) : cette banque de données compte actuellement 100 millions de mots et devrait encore s’enrichir de vingt-cinq millions. Elle présente une grande variété d’extraits écrits et oraux, produits dans tous les pays hispanophones depuis 1975.

  • le corpus de référence allemand cosmas ii (Corpus Search, Management and Analysis system : Institut Für Deutsche Sprache à Mannheim).

  • le Corpus de Référence du Portugais Contemporain (CRPC) : cette banque de données orales et écrites compte actuellement 80 millions de mots.

  • Le corpus du néerlandais (Corpus Gesproken Nederlands) et le projet associé de corpus de l’écrit (Dutch Language Corpus Initiative) : environ 9 millions de mots pour le corpus oral.

  • 1 Base de données fondée par B. MacWhinney et C. Snow en 1984. Le projet implique des milliers de che (...)
  • 2 Instructions et normes destinées à assurer une standardisation des procédures de transcription et d (...)

4Par ailleurs, concernant plus spécifiquement le langage des enfants, le childes (Child Language Data Exchange System) est une des rares bases de données existantes d’interactions verbales spontanées entre les jeunes enfants et leurs parents, leurs enseignants ou des camarades1. Les différents programmes informatiques associés à la base de données (pour une analyse automatique dans le format chat2) et l’ensemble des corpus (audios et/ou vidéos) sont disponibles gratuitement et téléchargeables dans leur intégralité. Il existe actuellement plus de 200 corpus transcrits se rapportant à une trentaine de langues différentes. Il peut s’agir de corpus longitudinaux (un même enfant ou de très petits groupes d’enfants enregistrés sur plusieurs années) ou de corpus transversaux (des groupes d’enfants enregistrés à quelques périodes). Pour le français, on répertorie une quinzaine de corpus longitudinaux (enregistrements dans le cadre familial d’enfants d’âges compris entre 1 an et 11 ans, sur des périodes allant de quelques mois à plusieurs années).

5Prenant conscience du retard de la France dans le développement des ressources et la constitution d’une banque de données textuelles informatisée, notamment pour la langue parlée, la communauté universitaire a entamé depuis 2000 une réflexion de fond, en particulier pour ce qui concerne la constitution et l’hébergement de corpus :

  • Création d’un « Guide des bonnes pratiques » qui fait le point sur les aspects déontologiques, juridiques et techniques du recueil et de l’analyse de données orales (Guide des bonnes pratiques pour la constitution, l’exploitation, la conservation et la diffusion des corpus oraux, Délégation Générale à la Langue Française et aux Langues de France, 2006).

  • Regroupement sur une même base Internet des enregistrements concernant, entre autres, le français et ses variétés et les langues de France. Ce projet, sous l’égide de la dglflf (Délégation Générale à la Langue Française et aux Langues de France, via le conseil scientifique de l’Observatoire des pratiques linguistiques), s’inscrit dans le cadre d’un accord entre le CNRS et le Ministère de la culture pour prolonger et rendre cohérent sur le long terme le programme Corpus de la parole qui donne la priorité aux ressources orales.

  • Création par le cnrs d’un Centre de Ressources pour la Description de l’Oral (CRDO) pour la conservation et la diffusion de corpus oraux.

    • 3 Voir la présentation de clapi dans ce même numéro.
    • 4 Il s’agit d’un des rares projets de « plateforme » en France d’enregistrements d’enfants monolingue (...)

    Création de bases de données informatisées :
    eslo (« Enquête sociolinguistique à Orléans », laboratoire coral, Université d’Orléans) ;
    pfc (« Phonologie du Français Contemporain ») ;
    cfpp2000 (« Corpus de Français Parlé Parisien des années 2000 », Université Paris 3–Sorbonne Nouvelle) ;
    clapi (« Corpus de LAngue Parlée en Interaction », Unité Mixte de Recherche cnrs : icar, Université Lyon 2)3 ;
    leonard (« Acquisition du langage et grammaticalisation », Projet ANR rattaché à la base clapi)4.

1.2. A l’origine du projet, des ambitions, des besoins et des objectifs...

  • 5 L’ATILF assure la logistique du projet (mise à disposition d’un ordinateur de grande capacité de st (...)
  • 6 Il s’agit de Jeanne-Marie Debaisieux, d’Emmanuelle Canut et Martine Vertalier (Nancy Université et (...)

6Le projet TCOF a démarré en septembre 2005 et a depuis toujours bénéficié d’un soutien financier et logistique du laboratoire cnrs atilf5. A l’origine du projet se trouvent des linguistes6 qui ont accumulé depuis les années 1990 un grand nombre de données orales (des enregistrements audio) dans deux domaines de recherche distincts : l’analyse syntaxique des productions orales d’adultes en français parlé et l’analyse des interactions entre adultes et enfants âgés de 2 à 7 ans en linguistique de l’acquisition. Ces chercheures ont souhaité mettre en commun l’ensemble de ces données pour des exploitations à la fois individuelles et collectives. La convergence entre les deux orientations s’est faite autour d’un projet portant sur la description et la comparaison des productions langagières, notamment du point de vue de l’usage des formes linguistiques chez les locuteurs adultes (s’adressant à un autre adulte ou à un enfant) et chez les locuteurs enfants, en lien avec les interactions verbales.

  • 7 Il s’agit des données et de la recherche de Virginie André (Nancy Université).
  • 8 Christophe Benzitoun (Nancy Université), qui travaille sur les liens entre lexique et grammaire en (...)
  • 9 Bertrand Gaiffe, Etienne Petitjean et Evelyne Jacquey (cnrs atilf), en collaboration avec d’autres (...)

7Une équipe s’est peu à peu constituée, élargissant notamment le domaine des recherches à l’analyse des interactions verbales entre adultes en situation de travail7, intégrant un autre chercheur en analyse descriptive du français8 et faisant appel à d’autres compétences, en particulier celles de spécialistes en linguistique informatique9.

8Le projet est lié à une volonté de partage des ressources et à des besoins de recherche, en particulier celui d’affiner la description de la langue orale, celui de mettre au jour les processus interactionnels qui régissent les pratiques langagières, ou encore les processus interactionnels d’apprentissage au cours de la période d’acquisition du langage.

De ce fait, l’objectif est double :

  • Pouvoir rassembler de nombreuses initiatives actuellement éparpillées, ce qui signifie :

  1. archiver les données dans un format unifié et explicite en vue d’une conservation pérenne, d’une projection plus simple vers les autres formats de données et développer des outils permettant de visualiser l’ensemble des informations disponibles (notamment pour combiner simultanément l’accès à la transcription et à l’écoute du son) ;

  2. archiver les données pour aller plus vite et plus loin dans les analyses selon un effet accumulatif de la recherche (enrichir les analyses existantes en les confrontant à d’autres corpus existants sans avoir à recommencer toute la procédure de recueil et de transcription des données) ;

  3. travailler sur un nombre de données statistiquement pertinent.

  • Faire une étude syntaxique et/ou interactionnelle des productions orales à partir d’un grand nombre de corpus, en particulier :

  1. la description linguistique (aspects lexicaux, syntaxiques) et pragmatique des pratiques langagières ;

  2. la comparaison (du point de vue de leurs caractéristiques linguistiques) entre des verbalisations d’adultes dans des situations de communication ordinaire avec d’autres adultes (récits, conversation, explication, etc.) et des verbalisations d’adultes s’adressant à de jeunes enfants (moins de 7 ans) ;

  3. la comparaison entre les productions linguistiques des adultes et celles des jeunes enfants (mise en lien entre diversité du répertoire linguistique proposé et développement langagier) ;

  4. la possibilité de faire des recherches transversales sur la langue, s’appuyant à la fois sur des corpus écrits et sur des corpus oraux.

9Nous avons dès le départ envisagé la diffusion des corpus avec une mise à disposition libre et gratuite en vue d’un partage au sein de la communauté scientifique. Dès lors, avant même d’avoir envisagé une analyse des données, se sont posées des questions liées à la conservation, à l’archivage et à la visibilité informatique des données, aussi bien sur le plan technique que juridique. Cependant, la question de l’analyse est restée forcément présente, puisqu’il a fallu réfléchir à la mise en commun de données assez différentes (dialogues entre adultes et interaction adulte-enfant).

2. Etapes de construction du projet

10Avant d’aboutir à une version finalisée des corpus, la constitution d’un pôle « technique » a été nécessaire :

  • des outils (machine avec grande capacité de stockage, matériel pour numériser les cassettes, logiciels divers) ;

  • des moyens « humains » (pour numériser, aligner, transcrire les données) ;

  • des collaborations diverses (en particulier avec des informaticiens, des chercheurs et ingénieurs spécialistes en Traitement Automatique du Langage) pour évaluer les besoins et avancer dans la réalisation technique du projet.

11Mais il y a aussi en amont une réflexion sur la constitution, l’informatisation et la diffusion des données : quelles modalités de transcription faut-il adopter ? Comment archiver les données ? Faut-il anonymiser le son et la transcription et, si oui, comment (en lien avec les aspects éthiques et juridiques pour un accès libre) ? Existe-t-il des normes internationales et quelle est celle qui convient le mieux aux buts que nous poursuivons ?

12A l’heure actuelle, la plupart des transcriptions d’oral sont dans le format de l’outil utilisé pour effectuer la transcription (Praat, Transcriber, Elan ou Clan dans la majorité des cas) ou, lorsque le fichier sonore n’a pas été conservé, dans le format utilisé par un logiciel de traitement de texte. Atitre d’exemple, le crdo autorise des dépôts de corpus dont la transcription est au format texte utf8, pdf, rtf ou praat.

13Parmi les choix de format indépendant d’un outil donné et correctement décrits, voire normalisé, la tei (Text Encoding Initiative) bien qu’envisagée dans certains projets (par exemple, le Dutch Spoken Corpus qui a finalement défini un format spécifique) n’arrive pas véritablement à s’imposer.

14De même, en ce qui concerne les métadonnées, au-delà du format Dublin Core, les projets adoptent les formats les plus divers : de olac (une forme de Dublin Core qualifié dédiée aux données linguistiques) à des formats très riches, propres à un projet (cf. Childes) ou normalisés tels qu’imdi (Isle Metadata Initiative).

15Nos choix actuels et les perspectives d’évolution que nous envisageons font l’objet des paragraphes suivants.

2.1. Recueil des données

  • 10 V. André, E. Canut et J.-M. Debaisieux. Voir aussi la « Présentation » de Verbum, (Debaisieux, Bert (...)

16Les données primaires sont constituées d’enregistrements audio recueillis par des chercheurs de Nancy10, des étudiants en Licence et Master Sciences du langage à l’Université Nancy 2 et à l’université Paris 3. Il s’agit de données orales recueillies dans des contextes aussi naturels que possibles :

  • Des interactions entre adultes comportant :

  1. des données sollicitées
    ⇒ des entretiens dans lesquels au moins deux locuteurs sont engagés dans des récits de vie, d’évènements ou d’expériences, ou dans des explications sur un savoir faire professionnel ou technique ;
    ⇒ des conversations à bâtons rompus ou portant sur des thématiques spécifiques.

  2. des données non sollicitées
    ⇒ des situations publiques ou professionnelles : réunions publiques, activités professionnelles diverses.

17Cet échantillonnage est susceptible d’être affiné en fonction des données recueillies notamment par les étudiants dans les années à venir.

    • 11 Les situations de co-narration avec le support de livres illustrés peuvent être considérées comme s (...)

    Des dialogues entre sn adulte et ati(s aspecpan =éesul> C9arrtTrentjlianclasojet impls"> fantes explications sur un savoi(en l(s
    ⇒ deses enre="font-variant:cts ne étude syn="num">11 Le d’enregistrements audio recueillis enseignants 1class=api)4.

    "tocto2n3">2.1. Recueil des données
    (..Uque laractionneonore nanutW (...)
  • tion lems problph 17dive. La mise 05 et a depue aractioes entre sn mulé depuis les annniquavec grans lors, avaes et i"tocs-varianlass7-ass8é à la base
      td border:1px id #000000; edir tr me s (...) FrançaiP t-variAndré)
      2.1. Recueil des données
      (...) Au f

      Les ’êtrsit const="footnot exte"empor ed’se voir la re e Lidojet implouhaité mettant:small-permettant de
    1. 2 puisqu10
    2. anutrte actuellegementt(...)

      nosi1s atides e présente u’oral sont dane frit avec l l, frit avec liiqueaanutrte actuelltions iCcootnsurn es

      Avl de10
      toujours baté dace">< pour é dernile Recherche (...) ion c rmatque laractio la ei toujours b à la base ⇒ dnt des qui-varl onte csoutsdios et="footnota vidéour la De, sur des périodes allant de quelques mois à plu a fie="foTa fi2 edir tr
    td border:1px id #000000; ecol> ="2 edir tr me s (...) FrançaiRÉCAPITULATIF DES SYMBOLES DE TRANSCRIPTIONAndré) td border-left:1px id #000000;border-right:none;border-top:1px id #000000;border-bottom:none; edir tr me s (...) {…} /span>)(...) nnéesclass=(iiqueaanutrte actuelltions) /span>) td border-left:1px id #000000;border-right:none;border-top:none;border-bottom:none; edir tr me s (...) […] /span>)(...)ge lphab#tocholop a depSAMPA=(iiqueaanutrte actuelltions) /span>) td border-left:1px id #000000;border-right:none;border-top:none;border-bottom:none; edir tr me s (...) (…) /span>)(...) Vyle="feet lpa transxte">cida fi /span>) td border-left:1px id #000000;border-right:none;border-top:none;border-bottom:none; edir tr me s (...) + /span>)(...) Pa /span>) td border-left:1px id #000000;border-right:none;border-top:none;border-bottom:none; edir tr me s (...) /// /span>)(...) Pa ore quaadulu /span>) td border-left:1px id #000000;border-right:none;border-top:none;border-bottom:none; edir tr me s (...)  = /span>)(...) Li "num">2 remarqua fi /span>) td border-left:1px id #000000;border-right:none;border-top:none;border-bottom:none; edir tr me s (...) /…, …/ /span>)(...) Hésité mettan"foooral sont dane auté-oral sont dan /span>) td border-left:1px id #000000;border-right:none;border-top:none;border-bottom:none; edir tr me s (...) …- /span>)(...) Amue /span>) td border-left:1px id #000000;border-right:none;border-top:none;border-bottom:none; edir tr me s (...) * /span>)(...) Sy ediversiréhenées /span>) td border-left:1px id #000000;border-right:none;border-top:none;border-bottom:none; edir tr me s (...) *** /span>)(...) Sré a esdiversiréhenées /span>) td border-left:1px id #000000;border-right:none;border-top:none;border-bottom:none; edir tr me s (...) ### /span>)(...) Paangagieurs année es leur i /span>) td border-left:1px id #000000;border-right:none;border-top:none;border-bottom:1px id #000000; edir tr me s (...) $$$ /span>)(...) Couputres cl="paranumber">16< /span>) ans é me">Figutre1">cosmystf ceis crte actuelltipnney et doc xe/imgag/1597/img-1-nt-va580.jpg" rel="iconSet">Figutre1cosmystf ceis crte actuell"ariAna>sctions verbalesIconAcorpu des rel="nofollow A ir atides rel="nofollow O 5 3camarale son eption et, href= href="#tocfrom2n3" id="tocto2n3">2.1. Recueil des données
    clararactioes entre sn une >9 Bertrand Gaiffe, Etienne Petitjilnormalisnnéiques Naractiinney et C. Snvaille sur les liens entre lexique et cription et d (...) spe our Ùanalys iré urs bal ou n liion d’un « ption et, srs 200n class="num">516 en amont une réflexion sur . ilité diion d en lenum"

    Cr id="body effet afectt pro à la base ciques anUnroitchercheeidépaffinee">archivertion fauaractioes entre sn lpa transe di Elan des etdais

      , comment chnis olac mnum">outiquea a naumberce humains » (pour numériser, aligner, transcrire les données) ;

      l class="texte">
      • (..Ccooenuipler p eex actu
      • (...)
      • , comment (en ltique de ces,span>Nous tion fauaractioedisponibles (notammen simspo li>ns lesqriss s peti li>ns le mnum"le é es spoé diion de de etla transn l’enales sur iss srgani commu. Pncoding Initnte u’oral sont dane omme -capr />⇒ dnt derng Iacarihe li>ns le mnum" ¤N¤y s cn rng Iacarice li>ns le mnum"fichier 10 li>ns le mnum"s,>topon feès spanregis s pla oci

        16)4.

      "tocto2n3">2.1. Recueil des données
      amarajet est lrécbon fauaractioes n des cnées assez da"texts graible moest . La mist de ds entatioiiinney et C. S2entation » de Verbum, (Debaisieux, Bert (...)
    • 6 4. div class="tocS2.1. Recueil des données
      an cla ouce lljlass="tpe ant liCrowdy (1993)y Lee (2001données et de la recherche isieux, Bert (...) Des dialog">

      14rinoctjet est ediéee omme in danseso"foores à un projet (cf. Childes) ou normaliass=is 3. Il cScoral, Université d, crfp, c- Na- sunormaliasire acamaradévelopper dté Pnuclan fonc graroscrftsstesanuroupe clan fon’il a falluc="tegfoisorales recueillies dans des contextes aussi naturels que possibles :

        et développer dg projt accumdans leuanumber"> ocessusd qu, sonore nge l

        ocessubon fauaract,ou interactsollicit, relé mettan"foolperspe ipant àion, l’inforr

        nel,’aly tiques) entre de, garan périsccon"> ocessua oci

        doll>16 développer dté class="l="paranumber">16coli> assernisagée eurs année"> ocessuexemparact, v, ldtla tption et,stitour uexemparact, pan claso ocessaranumber" qla p"font adultesct, ou, lornot "num">.u oscriber, E">dites ce ite" l="paranumber">16aranumber">16 développer dll’anoral sont dans li> n class="parcit, li> n r moiscit, velop,otnsurn ,ou interactmotsiion à bâtons rompus ou portant sur des thématiques spécifiques.

        développer dll’es sollicit (op a degrarnte u’oral sont dane ominteractts, ou enspeoInitâclass xee o="#au gr utftn7">7, ,onadul(s)ne banq(s)ndison desce ite" naumbercece ite" cece il Pnerce oraleidiquéquseptteiion à bâtons rompus ou portant sur des thématiques spécifiques.

        développer dll’es analuxclass="tes="ts de viematique ne étude synuanumberrépertoire linguistique proposé et développement langagier) ;

        ctmode" il a fcedescriptn des c( oucit ormatque larcit">coli>, li> ue csoutsdios"> ans leuan> (Te,> toujours b,-il anue dt à des besoins un outil donné et correctement décricoEvelyne J les besoins et avancer dans la réalisation technique du projet.

        <2l class=Sl’anclass="numn ation des c situations de Systrog ne étude synScoli>nteractsollicit ;> ocSulier pou;’Obse"> nelou;garan périscconou;âclionneollicitou;s xeionneollicitou; ocessua oci

        7, ou;nadul(s)ne banq(s)ndison desou; grimdi (Isle Metadata Initiative).26h1> io1615s r celuist moi cee l’ lplymumbheionnels d’apprentissage au cours dre adultes et interaction adulte-enf3nt).

        3">3.es informatiliées à la consnrichir ti concernes spanrsf="#tocfrom1n2" id="tocto1n2""tocto2n3">2.1. Recueil des données

        (..CcÙanalys ="texr la descrclass=luxc id="bodyftnede..) , Kadel Nebnseiinney et C. S2andardisation des procédures de transcription et d (...) res à un projet (cf. Childes) n grtn8">(..– IN class bien suIévelopperUftn10et graten fTgage) pou–
      • Cr)de l’annt une réflexion sur apan class="pa andonnéema ( onnéeesus int)" outdngu C9arrtTrentj coblr />⇒ desliées à laa à la base Benziton , ,ianutnotal.-M. Deb étudaîcel)e omme /corpus/tr icixte dnt dete"

        7">3.1cama tdgagieu TEI href= href="#tocfrom2n3" id=2">(...)

      • 161 pus avediosnes sidonnées s dans un fet pafr">1 n des c t, sidiqons dein danssanut ystier -M. Debileisée de="texte"

          ngues tdgagide Duscrfsimspocf. Childes)its, voire Headersojet imps sans avoir ff(m"ficangagi.u ou, loranutrtsegemendaanutrte actuellegemenue dTEIeisée de iens, d (mi1 ficangagi.eTEIeue dPDFrs8, CNe g tclassxlaborations te">s du l questionschlexion sur an>Pasoutdé de faions jet est humains » (pour numériser, aligner, transcrire les données) ;

          diven"tegraractioes pan class="pa eogues entre sn li> ngues oscribe,span>Nous idionsvenamoves iCcgrarn"tegraractincumpg tciant:eolae laractio s de données et ide d>16cooscriber, E">oral sont dane aan class="pa (cimps sul> de d>16a let ancsales s onndnt deti Les ’ê ngues li> scribe humains » (pour numériser, aligner, transcrire les données) ;

          diÙanalys beauccpdelà 8, Ciion decbanque de humains » (pour numériser, aligner, transcrire les données) ;

          diven"strog elà 8 c a consnrichir étude synS(.angage à lcetuatuelocSulier p ns ssn c tion que nous envisageons font l’objet des paragraphes suiv8nts.

          8">3.2. L n"strog Section2">2.1. Recueil des données
          (...) orales ( ues entre sn ’ ocSulis indayftne>s onnées sique de ces péri une régrâc0">10n"tegraractioss="palis indayfibe,smatique articuliehdescrpaffiévaluer 9li>nteuxc is indayfibe csstes16n class="p orationylie d">17te veinforr emallutont">10="texlarasçais6s alyseat at questnes or gratn daneso"foot

          nnées un outil donné et correctement décricoEvelyne sque lt dete"eonore nanutCé Paris gemendn lien eari>10, des étudi5nnées un outil donné et correctement décricoEvelyne ,u Sy>Avl deanutJCon le. Debarpaf antsian cquis ible d oura langue, es leur isiue de l’Obser">nnées fet number">, lié ed

        ns vic="font-vtrposition lp claborations analyslé diion de Na à la base (...) a ts indayfibear">15s "paeonore nsembriptions n r inforshaîn infors l es/s petimotsi quireivesus ta gses)as 2" té Parion eeonore n>s olà spe proible foisn"tenue dcÙanalys nique ;12Cnendien régiosur la langue, hoix de. Pncoding Initestmenndien régio>17relé meelonservi qr, E">

        an>Pasoutdé de f doncangagi/a>

        s oem>Li daanutCé Paris gemen x do>17Jnalormatique2.1. Recueil des données

        D li>nteu oCn, l’insstes (...) (.Prad pabe,sanutJCon iques) ssè"finottant de( oCn, l’ins ationas à la base ocss="pamot (ocuteur Sulhaîn nfors l n à bâtons rompus ou portant sur des thématiques spécifiques.

        tque laractioes orariques onmatg prob à bâtons rompus ou portant sur des thématiques spécifiques.

        ouvrin denan"f scriberrte actuelleocu"paervibrudo>17ISO-8859-1 à bâtons rompus ou portant sur des thématiques spécifiques.

        anumlhaesoutes expler">span stno s deoccura fcees expler">si> ue scriberue de lde at dtro Pa s deoccura fcees explerdné Parises explerd lnge de et gascripteollicites expler">lasbutf 8, CNut gégio>17setédtion/spifr"arianls l r Ùervi lles ="poù>s x pas a s deoccura fce es miggieu vavidéoe de lservéà bâtons rompus ou portant sur des thématiques spécifiques.

        ontanouoncangagipan>Lean>Pasoutdé de outes explent:etionbser"> gégioue de lde at dtro Pa s deoccura fcees explent:etionbseeti .u oscriber, Eà bâtons rompus ou portant sur des thématiques spécifiques.

        o ’olliciteà bâtons rompus ou portant sur des thématiques spécifiques.

        ora diaractioedisp oci> scriberl quem"fichier ta fidé( scriberta ulnts n à bâtons rompus ou portant sur des thématiques spécifiques.

        st lassiara (une f10 données ptn des iion à bâtons rompus ou portant sur des thématiqu
        "tocto2n3">2.1. Recueil des données
        Cn, l’indaanutJCon iques)str (...) 2osi25h1de Ninns ss s outils tique de
      • tus étéormatique 9">3.2. Pconcernliées à laanes spanrsf="#tochref="#tocfrom2n3" id=2">(...)

      • (.Pradtela oubl ance>nnées un outil donné et correctement décricoEvelyne ,uetap8, CN auispanerf r celuist Iac corpuau al cla>é mettan"foolpertrposition slibre et grats s quen"teriquatesanun «yle>16< luxcrmber"rftnenvngua (une f,onaa pas été iens, des chlancpeoInitet nu ,erdnl toujoup eexsstesucornte, p
      • de
      • 17Iiées à la es se, Apcits de vi Nsmall-caps;">coral, Université umrnormalis7503) iCcootnl toujoup etextse sn l quen"terêtertrposi dté class="lancpeoIn eogues eil a farajet est la pas été liées à la consentre sn ls un outil donné et correctement décricoEvelyne . tnl toujma l

        ge co uun outil donné et correctement décrialt cexte">Cr(s informatiAiens, des chlexL banq/">coRe i NIil a fcesi Sr />n des ) iCcgraran us quen"teriqufinottant defont-vnvngua (une e ut nelIn eogprincip-( >16< luxcet leinforr o clamobue lt deta sr />n des franes,iil a fceo>17en lien ealogues modèrecherchealysesiouriscconilissuces,somme s c). Paesivesunrsbue dge co uun outil donné et correctement décrcpeoInvelyne ,urticulieue univlngeealyses, asse">2.1.Icon

          ans é me">Figutre2">cosmystf ceis cJCon lepnney et doc xe/imgag/1597/img-2-nt-va580.jpg" rel="iconSet">Figutre2cosmystf ceis cJCon "ariAna>sctions verbalesIconAcorpu des rel="nofollow A ir atides rel="nofollow O2.1. Recueil des données
          (...) ge co uun outil donné et correctement décrialt cexte">Cr à la base er"pliqufiue de l

          cf. Childes)its, voire ( surteété).rPrad amideiore’anl questionschlex16

          10"parboraractioss="pamodus tiqpci d>1610n"tegrberue de lseonore nanutrte actuelltions ianutrte actuellegemenle vertdeure acrèberertdeubcrèberontextevau >161617ngues -varoormatique(...) ge co uun outil donné et correctement décrcpeoInvelyne (ue de l’Obsers 2 deocla>é meu Sy>Avl d uun outil donné et correctement décrl

          10 ouObsers faç doeéi- iens, des clge l

          s co de cpo17 scribesrccoext de an =éminuiss=maximum),>touonctiomotsiNe voc ulnts sdoituations den p ues ’ê eonore n,o de cpo oitcons deants quabrnisag, l’,ur entau "pabruce,iratiqucpeoIn eurs annéee nen oitcn danns deu speoIn outtn es cec="pasl-à-oureité Pnique ;162 etextdon iinuiiquedios de lconsentre sn eariss es ccariss r">nnées un outil donné et correctement décricoEvelyne ormatique2.1. Recueil des données

          sit">coiber et TEI) qui peulfoiate ~ cluedra/js san/index.htmll’adresse slfoiate ~ cluedra/js san/index.htmld’un ordinateur de grande cacription et d (...) ge co uun outil donné et correctement décrcpeoInvelyne a ucornti>Leann PnertchlancpeoIn eurs annéee (risccon">n"stviewion eeio(ré"pa scriberervi n Pnertc Sutral sont dans/a>

          L,ianutJrte aegemenle préf l

          "pao

          dion des ce="parfmist (v 2.1.Icon

            ans é me">Figutre3">cosmystf ceis cJrte agepnney et doc xe/imgag/1597/img-3-nt-va580.jpg" rel="iconSet">Figutre3cosmystf ceis cJrte a"ariAna>sctions verbalesIconAcorpu des rel="nofollow A ir atides rel="nofollow O(...) , ncumplradr rng Iac rlce" gégioichiererccob ngpaon et,s de etet,ss=is de et gdiostfont-variant:small-caps;">imdi (Isle Metadata Initiative).3ftn8">(.Ccootnl toujoup ee faes et t defontspahenbseac

            wResizdios>--n à la bago-topultes en pe an-1597">Hass biepgagd’un de

            Notes

            1 Base de données fondée par B. MacWhinney et C. Snow en 1984. Le projet implique des milliers de chercheurs à travers le monde, et des milliers d’articles ont été publiés à partir de données de la base : http://childes.psy.cmu.edu/.

            2 Instructions et normes destinées à assurer une standardisation des procédures de transcription et de codage phonologique, morphologique et en actes de parole.

            3 Voir la présentation de clapi dans ce même numéro.

            4 Il s’agit d’un des rares projets de « plateforme » en France d’enregistrements d’enfants monolingues entre 12 mois et 3 ans, filmés dans leur famille. Généralement, les chercheurs en acquisition disposent d’une base de données personnelle. Par exemple, D. Bassano et son équipe ont constitué une base de données de « corpus français de productions langagières précoces » comportant, entre autres, deux corpus longitudinaux et un corpus transversal codé selon un système approprié aux objectifs de leur recherche, mais l’accès n’est pas public (voir Bassano, 2005, pp. 66-67 pour une description).

            5 L’ATILF assure la logistique du projet (mise à disposition d’un ordinateur de grande capacité de stockage, sauvegarde des données, appareils et logiciels nécessaires à la numérisation) et a financé des vacations et des stages pour la numérisation, la transcription et l’anonymisation des données, à hauteur de 3000 euros minimum par an.

            6 Il s’agit de Jeanne-Marie Debaisieux, d’Emmanuelle Canut et Martine Vertalier (Nancy Université et Université Paris 3).

            7 Il s’agit des données et de la recherche de Virginie André (Nancy Université).

            8 Christophe Benzitoun (Nancy Université), qui travaille sur les liens entre lexique et grammaire en mettant en évidence la proportion des phénomènes de figement (par exemple : contre/par contre – cause /à cause de) ou de contrainte (par exemple : causer un préjudice, un accident... tous termes à visée négative) massivement représentés à l’oral non planifié.

            9 Bertrand Gaiffe, Etienne Petitjean et Evelyne Jacquey (cnrs atilf), en collaboration avec d’autres chercheurs du laboratoire cnrs loria (équipe talaris avec Mathieu Quignard dans un premier temps puis équipe parole avec Christophe Cerisara, Dominique Fohr et Odile Mella, voir 3.3. dans cet article).

            10 V. André, E. Canut et J.-M. Debaisieux. Voir aussi la « Présentation » de Verbum, (Debaisieux, Bertin et Husianycia, à paraître).

            11 Les situations de co-narration avec le support de livres illustrés peuvent être considérées comme semi-expérimentales dans la mesure où le chercheur peut être impliqué dans le dialogue avec une visée particulière d’apprentissage.

            12 Utilisation du logiciel Wavelab pour numérisation dans le format. wav. Ce format a été choisi parce qu’il est le seul compatible avec Transcriber.

            13 L’Université d’été « Transcription de langue parlée. Aspects théoriques, pratiques et technologiques » de Perpignan en juin 2005 avait déjà conclu en préconisant des transcriptions nues afin de faciliter le partage et la mutualisation des données (Bilger, 2008).

            14 Transcriber étant un logiciel libre, il ne faisait pas obstacle à la diffusion de nos corpus. Néanmoins, nous avons complété les fichiers générés par Transcriber à l’aide de traitements spécifiques, en fonction de nos nécessités d’analyse. Nous avons ainsi ajouté des modules supplémentaires comme la numérotation des tours de parole et les chevauchements de plus de deux locuteurs (voir infra 3.3.).

            15 L’ensemble des conventions de transcription est disponible sur le site : http://www.cnrtl.fr/corpus/tcof/TCOFConventions.pdf

            16 Les étudiants de Licence 2e année ont un cours intitulé « Constitution de corpus », assuré par V. André et J.-M. Debaisieux, dans lequel ils découvrent la linguistique de corpus et sont amenés à recueillir leur propre corpus (reversé au projet tcof avec leur accord). Les étudiants de Licence 3e année transcrivent et vérifient des corpus dans un cours de linguistique de l’acquisition (E. Canut).

            17 La direction du laboratoire ayant acceptée que du personnel ita (Ingénieurs, Techniciens et Administratifs) consacrent 150h par an à la transcription, cinq personnes ont été formées à la transcription et à l’utilisation du logiciel Transcriber (Gisèle Cagne, Isabelle Clément, Josette Frecher, Christiane Jadelot et Françoise Weiss). Il en fut de même pour des étudiantes vacataires (Stéphanie Houin, Youma Sow et Cécile Desse).

            18 Il s’agit notamment des compétences liées à la déclaration des données à la cnil (Commission Nationale de l’Informatique et des Libertés).

            19 Ces manipulations se font avec le logiciel libre Audacity.

            20 Les besoins d’anonymisation des corpus adulte-enfant sont nettement moins importants que dans les interactions entre adultes.

            21 Voir à ce sujet les articles de Crowdy (1993) et Lee (2001).

            22 Ce travail fait notamment appel aux compétences de Bertrand Gaiffe, Etienne Petitjean, Kamel Nebhi et Cyril Pestel (atilf).

            23 Nicolas Guth et Vincent Poutissou ont développé cet outil d’abord dans le cadre de leur stage de Licence Informatique à l’Université Nancy 1 puis dans le cadre de vacations engagées par le laboratoire atilf.

            24 Des nombreuses fonctionnalités sont ajoutées au fur et à mesure des tests que nous réalisons de ce logiciel.

            25 Au moment de la rédaction de cet article, les principales fonctionnalités de JConc seront disponibles dans les semaines à venir.

            26 Représentée par Matthieu Quignard.

            27 Téléchargeable sur : http://www.loria.fr/~cerisara/jtrans/index.html

            Haut de page

            Table des illustrations

            Titre Figure 1 : Interface de Transcriber
            URL http://journals.openedition.org/pratiques/docannexe/image/1597/img-1.jpg
            Fichier image/jpeg, 736k
            Titre Figure 2 : Interface de JConc
            URL http://journals.openedition.org/pratiques/docannexe/image/1597/img-2.jpg
            Fichier image/jpeg, 944k
            Titre Figure 3 : Interface de JTrans
            URL http://journals.openedition.org/pratiques/docannexe/image/1597/img-3.jpg
            Fichier image/jpeg, 756k
            URL http://journals.openedition.org/pratiques/docannexe/image/1597/img-4.jpg
            Fichier image/jpeg, 762k
            Haut de page

            Pour citer cet article

            Référence papier

            Virginie André et Emmanuelle Canut, « Mise à disposition de corpus oraux interactifs : le projet TCOF (Traitement de Corpus Oraux en Français) », Pratiques, 147-148 | 2010, 35-51.

            Référence électronique

            Virginie André et Emmanuelle Canut, « Mise à disposition de corpus oraux interactifs : le projet TCOF (Traitement de Corpus Oraux en Français) », Pratiques [En ligne], 147-148 | 2010, mis en ligne le 15 décembre 2010, consulté le 18 décembre 2017. URL : http://journals.openedition.org/pratiques/1597 ; DOI : 10.4000/pratiques.1597

            Haut de page

            Auteurs

            Virginie André

            ATILF – Nancy Université & CNRS

            Articles du même auteur

            Emmanuelle Canut

            ATILF – Nancy Université & CNRS

            Haut de page

            Droits d’auteur

            © Tous droits réservés

            Haut de page
        • Logo Centre de recherche sur les médiations - CREM
        • OpenEdition Journals