Annoter un corpus oral multicouche en chunks : l’approche de la linguistique outillée - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2018

Annoter un corpus oral multicouche en chunks : l’approche de la linguistique outillée

Résumé

La communication porte sur l’annotation en chunks d’un corpus de français oral transcrit, issu des bases de données ESLO et CLAPI, dans le cadre du projet SegCor - Segmentation de Corpus Oraux. Les chunks sont des constituants continus et non-récursifs (Abney, 1991) de la parole. L’objectif de la tâche de chunking est d’identifier la structure syntaxique superficielle d’un énoncé, c’est-à-dire de reconnaître ses constituants minimaux sans spécifier leur structure interne et leurs fonctions syntaxiques. Pour les transcriptions de l’oral, pour lesquelles une analyse syntaxique complète est souvent difficile surtout dans l’optique du traitement d’une grande quantité de données, le chunking représente un degré d’analyse adapté. Il a en effet par exemple été démontré que ses constituants sont le lieu de réalisation privilégié des réparations à l’oral (Blanche-Benveniste, 1997 : 47). L’enjeu de ce travail d’annotation consiste à élaborer une typologie des unités qui tienne compte des spécificités de l’oral dans la perspective d'une automatisation du processus de chunking. L’annotation en chunks du corpus oral transcrit a suivi plusieurs étapes : - annotation effectuée par deux chercheurs ensemble en vue de tester et de déterminer la typologie des unités à annoter ; - élaboration du jeu d’étiquettes et des conventions d’annotation. Cette étape a permis de proposer 9 étiquettes tenant compte des spécificités du discours oral comme par exemple la forme noyau (Benzitoun, Fort & Sagot 2012) ou l’articulateur, une catégorie fonctionnelle comprenant des éléments qui organisent le contenu propositionnel et permettent la cohésion à différents niveaux (à la fois syntaxique, textuel, mais aussi interactionnel) ; - validation des résultats de l’étape précédente par le calcul de l’accord inter-annotateur ; - analyse des erreurs d’annotation classées par type. Le corpus annoté manuellement a servi de corpus de référence pour l’apprentissage automatique de la segmentation effectuée en utilisant les CRF (Conditional Random Fields) linéaires (Lafferty et al. 2001). Après avoir introduit la notion de chunks et le contexte du travail effectué, le projet ANR-DFG SegCor, nous présenterons la typologie des chunks en l’illustrant par des exemples tirés du corpus. Certaines catégories comme les articulateurs, les formes noyaux, les segments inconnus, ainsi que certains choix portant sur les catégories connues telles que les chunks adjectivaux, verbaux seront explicités. Les cas spécifiques posant problème aux annotateurs seront discutés. Le processus de l’annotation manuelle incluant le prétraitement des données afin de faciliter la tâche de l’annotation manuelle, sa méthodologie, le calcul de l’accord inter-annotateur et l’analyse de son résultat seront développés ensuite. Les perspectives du travail seront présentées en conclusion.

Domaines

Linguistique
Fichier non déposé

Dates et versions

hal-04071789 , version 1 (17-04-2023)

Identifiants

  • HAL Id : hal-04071789 , version 1

Citer

Flora Badin, Iris Eshkol-Taravella, Marie Skrovec. Annoter un corpus oral multicouche en chunks : l’approche de la linguistique outillée. 50 ans de linguistique sur corpus oraux Apports à l'étude de la variation, Laboratoire Ligérien de Linguistique UMR 7270, Nov 2018, Orléans, France. ⟨hal-04071789⟩
16 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More