L’étude de la langue d'apprenants relevant de domaines spécialisés représente un enjeu important dans l'enseignement supérieur (Braud et al., 2015). Du fait des effectifs d'étudiants dans ces domaines (sciences et humanités), le secteur des Langues pour Spécialistes d'Autres Disciplines (LANSAD), concerne la majorité des enseignements en langues étrangères dans le supérieur en France. Un des enjeux qualitatifs de ces enseignements porte sur la connaissance fine des problématiques d'acquisition en fonction des différentes L1 des apprenants, de leurs domaines de spécialités, des tâches effectuées. Mieux comprendre les processus acquisitionnels repose en partie sur l'identification des usages discursifs qui peuvent être révélés par comparaisons. Ces dernières peuvent être effectuées à partir de productions de groupes de natifs mais aussi (et surtout ?) de groupes de non natifs de niveaux différents. Il devient possible d’identifier des trajectoires linguistiques d’apprentissage, et avoir une connaissance fine de ces trajectoires permettrait d'affiner les méthodes d'enseignement en fonction des domaines de spécialité, des niveaux de compétence et des tâches de production. Dans ce contexte, les approches sur corpus offrent des atouts épistémologiques (langue naturelle recueillie en milieu réaliste (Gilquin, 2015), linguistiques (variations des usages discursifs en fonction des contextes), didactiques (usages en contexte par les apprenants) (Boulton, 2021) et analytiques (traitement des données) (Meurers & Dickinson, 2017). Combinés aux disciplines des sciences des données, les corpus linguistiques (d'apprenants et de natifs) sont des ressources pour en extraire des connaissances spécifiques validées empiriquement. Du point de vue méthodologique, cela implique un traitement séquentiel permettant d’enrichir les données textuelles ou audio en traits linguistiques, eux mêmes transformés en variables statistiques, elles-mêmes incluses dans des modèles statistiques, eux-mêmes intégrés dans des architectures informatiques ! De cet enchaînement résulte alors une chaîne automatisée produisant des analyses sur la base de large quantités d'observations. De telles chaînes de traitement offrent la possibilité de traiter différents corpus de la même manière, sur la base de variables identiques. Ces corpus sont alors interopérables et permettent des observations comparables. On peut par exemple comparer des formes à partir de motifs syntaxiques liées à des fonctions grammaticales (Biber et al., 2020), d’usages collocationnels (Li et al., 2022; Paquot et al., 2021), ou de relations grammaticales (Levshina, 2015) etc. Pour fonctionner cette approche implique un formalisme dans la caractérisation des données dès leur saisie. Ce formalisme est inhérent à l'interopérabilité et s'applique en connectant différents outils dont les entrées et sorties sont strictement définies. La saisie des données et métadonnées, l'enrichissement linguistique par annotation automatique, la structuration des annotations, l'extraction de formes, la validation des modèles et les probabilités de nouvelles occurrences sont des tâches ne souffrant d’aucune irrégularité d’encodage, au risque de produire des erreurs. C'est à ce prix que de multiples types d'analyses quantitatives peuvent être conduites systématiquement et de façon cohérente, répétée et réplicable. A partir d’exemples concrets (Gaillat et al., 2021, 2023), nous illustrerons les processus méthodologiques que sous-tend le double objectif d’interopérabilité et de modélisation de la langue d’apprenants.