Enjeux liés au traitement des erreurs dans la constitution de corpus écrits : l’exemple de corpus d’apprenants turcophones et sinophones de FLE - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Enjeux liés au traitement des erreurs dans la constitution de corpus écrits : l’exemple de corpus d’apprenants turcophones et sinophones de FLE

Résumé

Les corpus d’apprenants sont des recueils électroniques de productions orales ou écrites d’apprenants de langue seconde ou étrangère (L2) (Granger, 2003). Les recherches en acquisition des L2 cherchent souvent à observer les contrastes et les similitudes entre les productions d’apprenants et celles de locuteurs ou scripteurs natifs (Leclercq & Edmonds, 2021). Certaines divergences entre apprenants et natifs constituent des erreurs en langue cible. Par ailleurs, l’erreur constitue un « contenu non standard » (Al Sharou & al. 2021 : 53) et engendre ainsi du « bruit » dans les corpus. D’après Al Sharou & al. (2021), bien que certains types de bruit soient nuisibles, d’autre sont utiles ; en particulier, dans le traitement et l’annotation des corpus d’apprenants, les erreurs relevant du manque de cohésion ou encore celles liées à la ponctuation incorrecte doivent être conservées. Dans le cadre de deux thèses de doctorat en cours, des corpus écrits d’apprenants ont été constitués, annotés et analysés dans une approche contrastive avec des corpus de natifs. Il s’agit d’essais argumentés d’environ 250 mots, rédigés en une heure à partir de trois consignes apparentées aux consignes de production écrite de l’examen du Diplôme d’études en langue française (DELF) au niveau B2. Le corpus d’apprenants d’environ 17500 mots a été produit par 30 étudiants dont la langue maternelle (L1) est le turc et 40 étudiants dont la L1 est le chinois. Ils ont tous appris le français L2 en contexte universitaire. Certaines productions ont été rédigées à la main puis transcrites ; d’autres ont été directement tapées à l’ordinateur par les apprenants. Les analyses de corpus portent sur la structure des textes (le plan, les paragraphes) ainsi que sur certaines formes linguistiques importantes dans l’argumentation (les connecteurs et les pronoms personnels dans le corpus d’apprenants sinophones ; les marqueurs de modalités dans le corpus d’apprenants turcophones). Cette étude présente les enjeux liés au traitement des erreurs dans ces corpus d’apprenants. Parmi les catégories d’erreurs proposées par Al Sharou & al. (2021), nous en retenons cinq : il s’agit (1) des erreurs d’orthographe ; (2) des erreurs de grammaire ; (3) du code-switching, à savoir l’emploi de mots d’une langue autre que la langue cible ; (4) des erreurs de frappe en particulier liées aux lettres majuscules et minuscules et enfin (5) des erreurs de ponctuation. Dans les deux corpus d’apprenants, une partie des erreurs des catégories (1) à (3) a été conservée, afin de respecter l’authenticité et l’intégrité des corpus. Les différences entre les formes employées par les natifs et les apprenants constituent le cœur des analyses contrastives ; la correction de certaines erreurs pourrait ainsi biaiser les résultats. Les erreurs d’orthographe ne constituent pas l’objet des recherches menées sur ces textes dans le cadre des deux recherches en cours et pourraient être corrigées ; toutefois, à l’avenir, les mêmes corpus pourraient être utilisés pour d’autres recherches. Cependant, une partie des erreurs appartenant aux catégories (4) et (5) ont été corrigées afin d’améliorer la lisibilité du corpus et de rendre possible certaines analyses. Par exemple, les erreurs ou ambiguïtés liées à la ponctuation (l’absence de point, d’espace insécable ou encore le retour à la ligne sans alinéa) peuvent avoir un effet néfaste sur le comptage des mots ou des paragraphes. Néanmoins, la conservation de certaines erreurs des catégories (1) à (3) a pu engendrer des problèmes dans les analyses. En effet, les formes erronées échappent aux recherches de mots. Par exemple, dans une analyse portant sur le verbe « pouvoir » dans le corpus d’apprenants turcophones, si un apprenant utilise la forme « nous *puissons » au lieu de « nous pouvons », l’occurrence n’est pas détectée par une recherche portant sur les formes verbales standards de « pouvoir ». De même, dans le corpus d’apprenants sinophones, où les analyses portent sur les connecteurs, la forme erronée « *cepandent » peut impacter les résultats. Deux approches différentes ont été adoptées dans ce contexte par les deux auteures : -Dans le corpus d’apprenants turcophones, les erreurs ont été conservées. Afin de rendre les analyses possibles malgré les erreurs, nous avons procédé à une annotation manuelle des formes : par exemples, toutes les occurrences du verbe « pouvoir », y compris erronées, ont été associées à la catégorie « pouvoir ». -En revanche, dans le corpus d’apprenants sinophones, les erreurs liées à l’orthographe sur les formes qui renvoient à la structuration des idées et des arguments ont été corrigées. Par exemple, la forme erronée du marqueur « *cepandent », pourvu d’une fonction argumentative et rhétorique pour introduire un contre-argument, a été remplacée par « cependant » afin d’étudier le déroulement de la logique d’un apprenant sinophone de FLE. Le traitement des erreurs implique ainsi une certaine subjectivité selon les objectifs de recherche. Les différentes approches présentent des avantages et des inconvénients qu’il s’agit d’élucider dans les considérations méthodologiques des thèses. Références : Al Sharou, K., Li, Z., & Specia, L. (2021). Towards a Better Understanding of Noise in Natural Language Processing. Proceedings of the International Conference on Recent Advances in Natural Language Processing (RANLP 2021), 5362. https://aclanthology.org/2021.ranlp-1.7 Granger, S. (2003). The International Corpus of Learner English : A New Resource for Foreign Language Learning and Teaching and Second Language Acquisition Research. TESOL Quarterly, 37(3), 538‑546. Leclercq, P., & Edmonds, A. (2021). Introduction à l’acquisition des langues étrangères. Louvain-la-Neuve : De Boeck Supérieur.

Domaines

Linguistique
Fichier non déposé

Dates et versions

hal-04085208 , version 1 (28-04-2023)

Identifiants

  • HAL Id : hal-04085208 , version 1

Citer

Sülün Aykurt-Buchwalter, Qianyun Li. Enjeux liés au traitement des erreurs dans la constitution de corpus écrits : l’exemple de corpus d’apprenants turcophones et sinophones de FLE. Bruit de fond ou valeur ajoutée ? Gérer le bruit lors des traitements informatiques des corpus linguistiques, Apr 2023, Grenoble, France. ⟨hal-04085208⟩

Collections

UGA LIDILEM
18 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More