1Si dans le domaine du Traitement Automatique des Langues la notion de bruit reçoit de multiples acceptions (Gugliotta et al. 2025), ce foisonnement de sens est encore plus perceptible dans des champs de la linguistique au sein desquels l’analyse de données écologiques se veut centrale.
2En ce qui concerne plus particulièrement les études mobilisant les méthodes de la linguistique de/sur corpus, la gestion du bruit se révèle être un processus incontournable. Paradoxalement, ce maillon indispensable dans la chaîne de traitement mise en place pour le recueil, la structuration et l’analyse des données n’est presque jamais développé, voire complètement ignoré lorsqu’il s’agit de décrire les différentes étapes méthodologiques mises en place. Les difficultés ou les réticences à s’emparer de la problématique de la gestion du bruit nous semble émaner du caractère multidimensionnel de la notion de bruit : inhérentes à toutes les dimensions de traitement du corpus textuel (recueil, mise en forme, enrichissement et analyse), sa gestion se trouve étroitement liée au champ d’étude dans lequel s’inscrit la recherche sur corpus.
3Dans cet article, nous proposons de nous focaliser sur les problématiques liées à la méthodologie de la gestion du bruit au cours des différentes étapes de mise en forme, d’enrichissement et d’analyse de corpus dans le champ de l’acquisition du langage. Notre discours ne se veut pas prescriptif. En effet, il apparaît clairement qu’il n’existe pas une méthode reflétant l’état de l’art en matière de gestion du bruit. Au contraire, il s’agit selon nous d’un phénomène multidimensionnel qui doit amener le ou la chercheuse à une gestion spécifique, étroitement liée aux particularités de ses données et de ses axes et objectifs de recherche.
4Le but de cet article est davantage de discuter des méthodes de gestion du bruit qui peuvent être mises en place au cours des trois étapes classiquement définies dans le traitement d’un corpus, à savoir :
-
la mise en forme des données brutes
-
l’enrichissement des données secondaires
-
l’analyse des données.
5Les trois principales parties de notre développement suivront ainsi les étapes de ce parcours méthodologique. Si celles-ci correspondent à une chaîne de traitements classique pour toute recherche menée sur corpus, nous nous intéresserons plus spécifiquement ici au champ de l’acquisition du langage. Nous verrons que si la gestion du bruit diffère à chacune des étapes, les méthodes mises en place peuvent impacter la suite des traitements.
6La mise en forme des données est une étape qui représente un passage obligatoire dans le cadre de toute recherche linguistique fondée sur corpus. Dans le domaine de l’acquisition du langage, celle-ci se révèle particulièrement cruciale (Masson et al. 2021). Par mise en forme des données, nous entendons la série de processus méthodologiques au moyen desquels nous obtenons, à partir de données primaires plus ou moins brutes, un ensemble de données secondaires exploitables scientifiquement. Il existe une grande diversité de données primaires. Ces données, qui sont à la base de tout corpus linguistique, peuvent être de natures différentes. Classiquement, on peut distinguer trois grandes catégories de données primaires :
-
les données orales : enregistrements audio, réalisés dans des situations plus ou moins écologiques ;
-
les données multimodales : recueil de vidéos par exemple, permettant de saisir divers aspects de la communication (déplacements, gestuelle, productions orales…) ;
-
les données écrites, qui sont à la fois les plus riches au regard de la quantité de données disponibles et les plus diversifiées quant à l’origine de leur collecte : écrits issus de la Communication Médiée par les Réseaux (commentaires clients, SMS, tweets…), d’articles de presse écrite, d’œuvres littéraires ou du web (Wikipedia), pour ne citer que ces quatre principales sources.
7Concernant les corpus oraux et multimodaux, l’étape de mise en forme est particulièrement importante, et ce à deux niveaux. Tout d’abord, il s’agit d’un travail indispensable pour toute personne souhaitant créer un corpus à partir de données orales ou multimodales. En effet, avant de pouvoir procéder à l’analyse des données textuelles, il est nécessaire de passer par une étape de transformation des données, appelée transcription. La transcription d’énoncés consiste à fournir, à partir des données primaires, une représentation graphique du signal sonore qui pourra permettre une exploitation outillée des données textuelles. Deuxièmement, l’importance de cette étape de mise en forme vient également du fait qu’il s’agit d’un processus particulièrement coûteux : pour une transcription manuelle « simple », dite de bas niveau, on estime que le transcripteur ou la transcriptrice devra passer en moyenne une heure de travail pour cinq minutes d’interactions comportant des productions enfantines. Si des outils de transcription automatique peuvent aujourd’hui venir en soutien de la tâche de transcription, les résultats obtenus sont encore loin d’en faire une alternative exclusive, notamment pour la mise en forme de données primaires recueillies auprès d’enfants ou d’apprenants, récoltées en milieu bruité et/ou produites par plusieurs locuteurs (Block Medin et al. 2024, Tancoigne et al. 2020, Yeung & Alwan 2018).
8La transcription de l’oral, et plus particulièrement de productions enfantines, amène le transcripteur ou la transcriptrice à effectuer des choix concernant le traitement de phénomènes spécifiques (Delais-Roussarie 2003, Morgenstern & Parisse 2007). Parmi ceux-ci, nous pouvons plus particulièrement relever les amorces (procédé consistant à débuter la production d’une forme sans la conclure), les formes inintelligibles (en raison, par exemple, d’un chevauchement de la parole de deux locuteurs) ou les actes linguistiques non verbaux (par exemple, un geste de la main). Si l’objectif est souvent de pouvoir, in fine, procéder à une analyse des propriétés linguistiques des formes graphiques générées lors de la phase de transcription (calcul de fréquence d’apparition de lemmes ou de catégories morphosyntaxiques spécifiques par exemple), alors le ou la chercheuse se trouve confrontée, dès la phase de mise en forme des données, à une problématique liée à la gestion des formes non standard. Puisque ces formes ne pourront généralement pas être traitées automatiquement au moyen, par exemple, de programmes de lemmatisation ou d’étiquetage morphosyntaxique, doit-on alors s’intéresser à celles-ci ? Autrement dit, on peut se demander si les bruits doivent être perçus comme des éléments parasites qui pourront éventuellement impacter les traitements automatiques effectués sur les données secondaires. En effet, la présence de bruits pourrait réduire leur efficacité ou leur vitesse de traitements. Une autre option serait de considérer les bruits comme des éléments qui, puisqu’ils existent et ont été capturés dans les données primaires, doivent absolument être pris en compte et apparaître au sein des données secondaires après le processus de mise en forme.
9Deux principales solutions sont généralement privilégiées dans le champ des recherches en acquisition du langage : la normalisation des bruits de la source ou leur invisibilisation (Morgenstern & Parisse 2007). La normalisation consiste à fournir une représentation graphique de la production orale qui, si elle ne reflète pas fidèlement les propriétés phonétiques et acoustiques du signal, vise plutôt à fournir une donnée textuelle censée être fidèle à l’intention de communication du locuteur ou de la locutrice. Ainsi dans l’exemple 1 ci-dessous deux bruits ont été normalisés au moment de la phase de transcription. Tout d’abord, la forme « t’as » a été normalisée en « t(u) as ». Ensuite, la forme « crocodile » a été utilisée afin de normaliser la production non standard enfantine /kodiːl/, représentée dans le corpus d’origine (Morgenstern & Parisse) sur une ligne spécifique dédiée à la transcription phonétique des énoncés.
Exemple 1 : Normalisation Transcription (Liégeois 2024a)
MOT: t(u) as vu ?
[…]
CHI: un crocodile !
%xpho: ɛ̃ kodiːl
10Cette normalisation s’appuie sur l’expertise de la personne qui transcrit : exploitant les informations issues du contexte de l’interaction et des données multimodales de la donnée primaire (dans le cas de l’exemple 1, un fichier vidéo), le ou la transcriptrice fait le choix d’interpréter les formes non standard afin de fournir une donnée textuelle qui pourra être exploitée lors des traitements futurs qui seront opérés sur la transcription : la forme normalisée pourra donc être tokenisée, lemmatisée et comptabilisée au moment d’effectuer, par exemple, des calculs de fréquence des formes produites. Parfois, la normalisation permet de garder une trace de la forme produite en introduisant un codage spécifique, comme c’est le cas dans l’exemple 1 avec l’utilisation de parenthèses encadrant le segment non produit par la locutrice.
11L’invisibilisation des bruits de la source est la plupart du temps réalisée au moyen d’un codage spécifique défini par la convention de transcription utilisée. C’est le cas dans l’exemple 2 ci-dessous, illustrant une ligne de transcription extraite d’un corpus transcrit en suivant les conventions du projet CHILDES (MacWhinney & Snow 1985, MacWhinney 2000). Dans l’exemple 2, la suite de caractères « yyy » est utilisée afin de représenter un segment de la production enfantine qui n’a pas pu être interprété au moment de la transcription, mais dont la transcription phonétique a été possible.
Exemple 2 : Segment Intranscriptible Orthographiquement (Liégeois 2024b)
CHI: z@fs ai cassé yyy .
%xpho: z e kase muːs
12Nous montrerons que chacune de ces deux méthodes embarque avec elle des avantages et des inconvénients dont il convient de mesurer la portée en amont du projet de recherche afin de choisir au mieux le système et la convention de transcription adéquates. En effet, l’usage de l’une ou l’autre méthode, motivée par la convention de transcription utilisée, nous amène irrémédiablement à générer de nouveaux bruits dans les données secondaires (pour un débat sur le degré de normalisation à adopter, voir notamment Morgenstern & Parisse 2007). Nous verrons qu’il ne semble pas exister de solution idéale. En effet, les choix à effectuer sont dépendants des enrichissements et des analyses que l’on souhaite effectuer lors des étapes suivantes et conditionnent la convention de transcription à utiliser, souvent spécifique à chaque projet.
13L’étape de mise en forme de données primaires orales ou multimodales permet d’obtenir des données secondaires au format textuel. L’étape de traitement correspond à une phase, souvent appelée annotation, au cours de laquelle ces données secondaires sont enrichies au moyen de traitements automatiques ou manuels. Au cours de cette étape, des informations interprétatives sont associées aux données textuelles. Il s’avère que ces traitements peuvent être particulièrement générateurs de bruits. Pour l’illustrer, nous nous focaliserons sur deux types d’annotation linguistique, l’une automatique et l’autre manuelle.
14Concernant les annotations automatiques, l’un des traitements les plus classiques qui peut être opéré consiste à associer à chaque token transcrit un lemme et une catégorie morphosyntaxique. Dans l’exemple 3 ci-dessous, le token « attends » s’est vu associer, sur une ligne dite secondaire ou dépendante, le lemme « attendre » et l’étiquette « v » indiquant qu’il s’agit d’une forme verbale, et plus précisément d’une forme verbale de la 2e personne du singulier du mode impératif (« IMP&1s »). Au moment de la transcription de cet extrait, le choix a été fait de ne pas surinterpréter la production enfantine. Ainsi, le segment produit juste avant le verbe a été codé « xxx », indiquant que la forme n’est pas compréhensible et qu’elle ne peut pas recevoir de transcription orthographique ou phonétique. Le programme d’étiquetage morphosyntaxique s’appuyant sur les informations liées aux cooccurrences ne trouve pas de forme précédant le verbe : il en déduit alors que la forme verbale produite est au mode impératif.
Exemple 3 : Segment Intranscriptible Orthographiquement et Phonétiquement (Liégeois 2024c)
CHI: <xxx attends> [>] !
%mor: v|attendre-IMP&2s !
15Nous voyons à travers cet exemple que la méthodologie de gestion du bruit lors de la phase de mise en forme influe sur celle de la phase de traitement. Les deux exemples ci-dessous illustrent ce phénomène. Dans l’exemple 4, le choix a également été fait de ne pas surinterpréter la production enfantine. Cependant, on aurait pu considérer que la forme [e] produite par l’enfant devait être interprétée comme un filler préverbal, c’est-à-dire dans ce contexte une forme précoce de pronom personnel. La forme verbale aurait alors sans doute été annotée comme une forme verbale du présent de l’indicatif, comme dans l’exemple 5.
Exemple 4 : Bruit dans l’annotation morphosyntaxique : Impératif (Liégeois 2024d)
*MOT: regarde .
%mor: v|regarder-IMP&2s .
*MOT: qu’est-ce qu’il mange le bébé ?
%mor: pro:int|que$v:int|est–ce pro:rel|que$pro:sub|il v|manger-PRES&13s det:art|le&m&sg n|bébé&m ?
[…]
*CHI: e@p mange quoi ?
%mor: phon|e v|manger-IMP&2s pro:int|quoi ?
*MOT: un petit suisse !
%mor: det:art|un&m&sg adj|petit&m n|suisse !
Exemple 5 : Annotation morphosyntaxique automatique correcte (Liégeois 2024e)
*CHI: on mange .
%mor: pro:sub|on v|manger-PRES&13s .
16Les deux choix peuvent se justifier. Lors de la phase de mise en forme, la personne en charge de la transcription est souvent confrontée à un dilemme. Doit-elle faire confiance à son interprétation, et ainsi apporter une dimension interprétative utile lors des phases ultérieures de traitement et d’analyse du corpus ? Ou bien doit-elle plutôt conserver une oreille « neutre » face aux productions enfantines non standard et se prémunir de toute surinterprétation ? Dans un cas comme dans l’autre, c’est toute la chaîne de traitement du corpus qui se voit impactée. Cette problématique n’est pas anodine puisque ces choix méthodologiques impacteront nécessairement les analyses ultérieures. Pour reprendre les extraits de corpus précédemment cités, nous voyons que la méthode de gestion des bruits de la source consistant à ne pas surinterpréter une forme enfantine ne pouvant pas clairement recevoir une transcription orthographique est génératrice d’un nouveau type de bruit dans le corpus : une forme verbale se retrouve annotée automatiquement comme une forme verbale à l’impératif alors qu’elle n’aurait certainement pas été annotée ainsi par un humain.
17S’il apparaît clairement que les annotations automatiques sont génératrices de bruit lors de la phase de traitement du corpus, la problématique de gestion du bruit concerne également les annotations manuelles. Dans le cadre du projet ALIPE (Acquisition de la Liaison et Interactions Parents-Enfant, Liégeois 2014), par exemple, le corpus a été annoté manuellement afin de renseigner tous les contextes de liaison entre deux formes (Chabanal et al. 2014). La liaison est un phénomène de sandhi du français parlé qui consiste à produire, entre deux formes, une consonne qui est absente lorsque ces deux formes sont produites en isolation. Par exemple, alors que les formes « un » et « ours » se produisent /œ̃/ et /uʁs/ en isolation, l’énoncé « un ours » se prononce généralement /œ̃nuʁs/.
- 1 On distingue généralement deux grandes catégories de liaison : les liaisons dites catégoriques, gén (...)
18Sans entrer dans les détails, nous pouvons résumer ainsi la méthodologie d’annotation utilisée dans le cadre du projet ALIPE pour l’annotation du phénomène de liaison : pour chaque contexte de liaison potentiel, nous avons indiqué 1) la consonne attendue, 2) la consonne de liaison réalisée (ou l’absence de réalisation de la consonne), 3) le caractère catégorique ou variable de la liaison1 et 4) le contexte syntaxique.
19Ce schéma d’annotation nous a notamment permis de relever des formes atypiques dans les productions enfantines. En effet, puisque les valeurs d’annotation attendues pour les consonnes attendues et réalisées sont /n/, /r/, /p/, /t/ et /z/, le schéma utilisé nous a permis de mettre en valeur des cas de substitutions (par exemple un -z- ours, /œ̃zuʁs/) ou d’omission de la consonne de liaison (un -o- ours, /œ̃uʁs/). Toutefois, ce schéma s’est révélé générateur de bruits lorsque nous avons été confrontés à des productions enfantines particulières, comme « mon -l- assiette » par exemple (produit /mɔ̃lasjɛt/, voir exemple 6 ci-dessous). Cette production engendre un bruit au cours de l’annotation puisqu’elle ne correspond pas à un cas classique de remplacement de la consonne de liaison. En effet, la liquide /l/ ne fait pas partie des consonnes de liaison répertoriées dans la littérature. Deux choix se sont alors offerts à nous :
-
réduire ce bruit au silence, c’est-à-dire ne pas annoter cette production spécifique, non canonique au regard de notre schéma d’annotation ;
-
écouter ce bruit attentivement, c’est-à-dire tenter d’expliquer cette production enfantine atypique.
20Nous avons suivi la deuxième option et décidé d’élargir la portée du projet ALIPE à l’analyse du schwa (ou « e muet »). S’en sont suivis une série de travaux qui ont pu mettre en lumière le parallèle entre liaison et élision du schwa dans une perspective acquisitionnelle (Liégeois 2014, Liégeois 2021).
Exemple 6 : Production atypique enfantine : "mon -l- assiette" (Liégeois 2024f)
*CHI: rega(r)d(e) moi il a renversé mon [^ Syntctx=A expecCons=n realCons=l obliOpt=1] assiette xxx <là> [>] .
21Nous avons pu montrer que, au cours des deux premières étapes, la personne ou l’équipe en charge de la constitution du corpus est responsable des bruits générés. En effet, la typologie de ces derniers est dépendante des méthodes utilisées dans les phases de transcription et d’annotation manuelle ainsi que des choix effectués dans la sélection des outils et des méthodes de traitements automatiques utilisés.
22Il est toutefois possible de se retrouver dans des situations au cours desquelles il nous est impossible d’avoir la main sur les étapes précédemment citées. C’est le cas par exemple lorsque l’on souhaite effectuer des analyses sur des corpus d’acquisition existants et rendus disponibles à travers des banques ou dépôts de corpus. Dans ce cas, les données à exploiter sont déjà structurées dans un format spécifique et sont parfois exploitables avec un outil particulier, embarquant ainsi avec elles un lot de bruits que le chercheur ou la chercheuse ne découvre qu’au moment de la phase d’analyse du corpus.
23Nous proposons d’illustrer ce cas particulier de la gestion des bruits apparaissant durant la phase d’analyse en prenant en exemple une recherche sur le développement morphologique menée dans le cadre du projet Demonext (Namer et al. 2019, Namer et al. 2023).
24L’objectif de l’étude de Caët et al. (2023) est de présenter les possibilités offertes par la base Démonette-2 pour l’exploration de corpus d’acquisition. La base Démonette-2 vise à décrire un ensemble étendu de constructions morphologiques, telles que les procédés de suffixation ou de préfixation, ainsi qu’une grande variété de dérivations dites « non canoniques » comme peuvent l’être la conversion ou la construction parasynthétique (pour plus de détails, voir Namer et al. 2023). La base répertorie donc un ensemble de lexèmes et les relations dérivationnelles que ces derniers entretiennent entre eux au sein de « familles morphologiques ». Si les corpus d’acquisition structurés au format CHAT peuvent être étiquetés au niveau morphosyntaxique via l’outil CLAN, l’étiquetage produit ne permet pas de repérer dans les données l’ensemble des mots dits « construits », en particulier les mots suffixés. En effet, au niveau de l’étiquetage morphosyntaxique, rien ne distingue un nom comme « camion » d’un nom comme « punition », qui peut être considéré dans la base Démonette-2 comme le résultat d’une dérivation suffixale obtenue à partir du lexème « punir ».
25Face à cette limite, il semblait donc intéressant de pouvoir croiser les informations présentes dans la base morphologique avec celles issues des corpus d’acquisition pour pouvoir notamment :
-
obtenir un inventaire des mots construits produits par les enfants en fonction de leur âge et de leur niveau de développement langagier ;
-
relever automatiquement les « créations enfantines », c’est-à-dire les formes non standard qui semblent résulter de l’application par l’enfant d’un ensemble de règles dérivationnelles.
26L’inventaire des mots construits, à la fois répertoriés dans la base et dans les corpus de productions enfantines, est relativement simple à obtenir. Il suffit pour cela de croiser les données répertoriées dans la base de données morphologique avec celles présentes dans les corpus. Si cette analyse des corpus ne génère pas de bruit, elle peut en revanche être source de silence si, par exemple, un mot construit produit par un enfant n’est pas répertorié dans la base.
27Concernant les créations enfantines, la phase d’analyse se révèle plus complexe. Ces formes étant non standard, elles sont généralement absentes des bases de données lexicales de référence. On notera par exemple des formes enfantines extraites de corpus (Liégeois 2025a, b, c) telles que « délibre » (le contraire de « libre »), « grandissance » (création d’un nom à partir du verbe « grandir ») ou « terminage » (création d’un nom à partir du verbe « terminer »).
28Une solution envisagée afin de relever automatiquement ces créations enfantines a été de croiser les informations concernant les relations dérivationnelles présentes dans la base Démonette-2 avec les données des corpus. En effet, puisque la base de données morphologique nous renseigne par exemple sur le fait que des noms se terminant par « -ance » (comme le lexème « accoutumance ») peuvent entretenir une relation de dérivation suffixale avec un verbe (comme le lexème « accoutumer » par exemple), il suffirait alors de rechercher l’ensemble des noms se terminant par « -ance » afin de pouvoir observer parmi eux les créations enfantines relevant de cette relation dérivationnelle.
29Dans une perspective développementale, le relevé des créations enfantines est central. En effet, nous ne pouvons pas déterminer avec certitude si la production par un enfant d’une forme dérivée standard (comme « partance » par exemple) résulte de la simple restitution d’une forme mémorisée « telle quelle » ou de la formation d’une dérivation à partir d’un autre lexème (comme « partir » par exemple). En revanche, la production d’une forme non standard, c’est-à-dire par définition d’une forme que l’enfant n’a pas pu percevoir en input, est révélatrice d’un processus dérivationnel mis en place par l’enfant et lui permettant de produire des formes nouvelles, qu’il n’a jamais entendues auparavant. Nous nous trouvons pourtant empêchés dans notre objectif de recherche : les bruits générés lors des phases de mise en forme et d’enrichissement du corpus rendent impossible l’analyse des créations enfantines, alors qu’elle nous semble essentielle afin de pouvoir saisir au mieux les différents paramètres en jeu au cours du développement linguistique des enfants. En effet, les formes atypiques enfantines n’ayant pas été normalisées au niveau orthographique, celles-ci ne sont pas traitées lors de la phase d’enrichissement.
30Dans cet article, nous avons illustré la problématique de la gestion des bruits lors d’un parcours méthodologique suivant les trois principales étapes en lien avec une recherche en linguistique de corpus dans le champ de l’acquisition du langage : la structuration, l’enrichissement et l’analyse des données textuelles. Nous avons ainsi pu démontrer que les méthodes mises en place à chacune de ces étapes influencent nécessairement le niveau suivant. Un bruit généré ou mal géré lors de la phase de structuration sera nécessairement générateur de bruits ou de silences au moment de la phase d’enrichissement. Ainsi, un bruit comme une forme enfantine non standard non normalisée lors de la transcription impactera les analyses automatiques : en étant non (ou mal) traité par un outil d’annotation en parties du discours, l’étiquetage des formes suivantes en est nécessairement impacté. De même, un bruit généré lors de la phase d’enrichissement risque d’engendrer un bruit ou un silence au moment de la phase d’analyse : en étant mal analysées, les créations enfantines sont plus difficiles à capturer, comme nous avons pu l’illustrer avec le cas des dérivations morphologiques.
31À la suite de la présentation de ce parcours méthodologique, nous souhaitons conclure en mettant l’accent sur quatre points qui nous semblent cruciaux et nécessaires à prendre en compte lorsque l’on souhaite constituer, enrichir ou analyser des corpus d’acquisition ou d’apprentissage des langues.
-
La problématique de la gestion du bruit est transversale : la gestion du bruit doit être pensée lors des phases de mise en forme, de traitement et d’analyse des corpus linguistiques. Un bruit généré lors de la mise en forme peut provoquer du silence lors des traitements automatiques, alors qu’un bruit « nettoyé » lors de la phase de traitement peut générer du silence lors de l’analyse. Cette transversalité nécessite parfois des allers-retours entre les méthodologies mises en place à chacune des étapes : un silence observé à l’analyse peut par exemple nécessiter la remise en cause de la gestion des bruits lors de la phase d’enrichissement et/ou lors de la phase de mise en forme du corpus. La réalisation d’études pilotes se concentrant sur un échantillon de données facilite ces allers-retours et l’adaptation des méthodes mises en place en amont.
-
En ce qui concerne les productions d’enfants ou d’apprenants, la constitution de corpus nous amène à anticiper la gestion des phénomènes de variation par rapport aux formes dites « standard », inhérents à ce type de données particulier. Si ces formes sont à l’origine de bruits particulièrement importants au cours des phases de structuration et d’enrichissement des données, elles sont également la source de données primordiales dans le but de mieux étudier et comprendre les différents paramètres qui entrent en jeu au cours des phases d’acquisition ou d’apprentissage des langues.
-
Il n’existe pas de méthodologie idéale : la gestion du bruit est particulière à chaque corpus et à chaque projet de recherche. En effet, cette gestion est toujours conditionnée par les objectifs scientifiques du projet ; le(s) format(s) de structuration choisi(s) ; les enrichissements manuels ou automatiques à effectuer ; et les méthodes et outils d’analyse utilisés.
-
Puisque les méthodes de gestion du bruit sont diverses et particulières à chaque corpus, le renseignement des métadonnées est primordial. Celles-ci conditionneront notamment la réutilisabilité du corpus en permettant à une personne externe à sa création de se saisir pleinement de l’objet scientifique qu’il souhaite utiliser. Concernant plus spécifiquement les méthodologies mises en place pour la gestion des bruits, les renseigner en métadonnées permet à toute personne externe au projet de saisir les tenants et les aboutissants des choix effectués. Ainsi, ces choix pourront être pris en compte lors de la phase d’analyse du corpus.