Corpus analysisL'analyse de corpus

What a corpus is, how to build one, and what frequencies, concordances and collocations show.Ce qu'est un corpus, comment en construire un, et ce que montrent les fréquences, les concordances et les collocations.

What to expectÀ quoi s'attendre

A corpus is a body of texts assembled so that it can be searched and counted. This module covers what that means and what three tools of corpus analysis show: word frequencies, a word in every context it occurs in, and the words it keeps company with. Everything after the first chapter is done in Sketch Engine, first on a corpus you build yourself, then on two fixed corpora, so that the numbers you get are the numbers described here.Un corpus est un ensemble de textes réuni pour pouvoir être interrogé et compté. Ce module couvre ce que cela veut dire et ce que montrent trois outils de l'analyse de corpus : les fréquences, un mot dans tous les contextes où il apparaît, et les mots qu'il fréquente. Tout ce qui suit le premier chapitre se fait dans Sketch Engine, d'abord sur un corpus que vous construisez vous-même, puis sur deux corpus fixes, pour que les chiffres obtenus soient ceux décrits ici.

PrerequisitesPréalables

Nothing to install. The second chapter needs a Sketch Engine account; an institutional login or a free trial account both work.Rien à installer. Le deuxième chapitre demande un compte Sketch Engine ; un accès institutionnel ou un compte d'essai gratuit conviennent tous les deux.

StructureStructure

The first chapter is the notion itself, and needs no tool: what a corpus is, the types that cross each other, and what corpora are for, in research and in translation. The second is the work: getting a corpus, by finding one in Sketch Engine or building one from the web, then interrogating it with frequency lists, concordances, collocations and the Word Sketch.Le premier chapitre porte sur la notion elle-même, et ne demande aucun outil : ce qu'est un corpus, les types qui se croisent, et à quoi les corpus servent, en recherche et en traduction. Le deuxième est le travail lui-même : se procurer un corpus, en le trouvant dans Sketch Engine ou en le construisant depuis le web, puis l'interroger avec les listes de fréquences, les concordances, les collocations et le Word Sketch.

Print / PDFImprimer / PDF

Concepts in this moduleLes concepts de ce moduleannotationannotation data annotationannotation des données datadonnées The process of adding labels or other structured information, such as categories, tags, transcriptions, or marked regions, to data so that it can be used to train or evaluate a machine learning system.Processus consistant à ajouter aux données des étiquettes ou d'autres informations structurées, comme des catégories, des balises, des transcriptions ou des zones marquées, pour qu'elles puissent servir à entraîner ou à évaluer un système d'apprentissage automatique. · collocationcollocation collocationcollocation corporacorpus A combination of words that co-occur more often than chance would predict and form a habitual, semi-fixed pairing, such as heavy rain or commit a crime (rather than strong rain or do a crime).Combinaison de mots qui apparaissent ensemble plus souvent que le hasard ne le laisserait prévoir et qui forment une association habituelle, semi-figée, comme soleil de plomb ou commettre un crime (plutôt que faire un crime). · comparable corpuscorpus comparable comparable corpuscorpus comparable corporacorpus A corpus containing texts in two or more languages (or language varieties) matched on subject, genre or communicative function, whose components are typically written originally in each language rather than translated: press articles written independently in French and in English on the same events, for instance.Corpus réunissant des textes en deux ou plusieurs langues (ou variétés de langue) appariés par sujet, genre ou fonction de communication, et dont les composantes sont généralement rédigées à l'origine dans chaque langue plutôt que traduites : par exemple des articles de presse rédigés indépendamment en français et en anglais sur les mêmes événements. · concordanceconcordance concordanceconcordance corporacorpus A display of all occurrences of a word or expression in a corpus, each shown with its surrounding context, typically one occurrence per line with the search word aligned in the middle (the key word in context, or KWIC, format).Affichage de toutes les occurrences d'un mot ou d'une expression dans un corpus, chacune accompagnée de son contexte immédiat, généralement une occurrence par ligne avec le mot cherché aligné au centre (format KWIC, mot-clé en contexte). · corpuscorpus corpuscorpus corporacorpus A collection of written texts, speech recordings or transcribed language assembled for analysis or use in language technology (plural: corpora).Ensemble de textes écrits, d'enregistrements de parole ou de langue transcrite réuni pour l'analyse ou pour les technologies langagières. · lemmalemme lemmalemme linguisticslinguistique The base or dictionary form under which the inflected forms of a word are grouped: go, goes, went and gone share the lemma go.Forme de base, ou forme de dictionnaire, sous laquelle sont regroupées les formes fléchies d'un mot : va, allons, allait et allé partagent le lemme aller. · metadatamétadonnée metadatamétadonnée datadonnées Structured information that describes, identifies, or provides context for other data. In a marked-up document or translation format, metadata may indicate the language, author, creation date, file type, segment identifier, translation status, subject field, or origin of the content. Metadata may be stored in elements or attributes. It is generally distinguished from the main content to be translated, although some metadata values may themselves require localization.Information structurée qui décrit, identifie ou contextualise d'autres données. Dans un document balisé ou un format de traduction, les métadonnées peuvent indiquer la langue, l'auteur, la date de création, le type de fichier, l'identifiant d'un segment, son état de traduction, le domaine ou la provenance du contenu. Elles peuvent être stockées dans des éléments ou dans des attributs. On les distingue généralement du contenu principal à traduire, même si certaines de leurs valeurs peuvent elles-mêmes devoir être localisées. · n-gramn-gramme n-gramn-gramme corporacorpus A sequence of n consecutive items from a text, usually words: bigrams (n = 2), trigrams (n = 3), and so on.Suite de n éléments consécutifs d'un texte, généralement des mots : bigrammes (n = 2), trigrammes (n = 3), etc. · natural language processingtraitement automatique de la langue natural language processing (NLP)traitement automatique de la langue (TAL) NLPTAL An interdisciplinary field that develops and studies computational methods for analyzing, processing, and generating human language.Domaine interdisciplinaire qui développe et étudie des méthodes computationnelles pour analyser, traiter et générer le langage humain. · parallel corpuscorpus parallèle parallel corpuscorpus parallèle corporacorpus A corpus of texts in one language together with their translations into one or more other languages, usually aligned sentence by sentence so that each segment can be viewed next to its equivalent.Corpus de textes dans une langue accompagnés de leurs traductions vers une ou plusieurs autres langues, généralement alignés phrase par phrase de façon à afficher chaque segment en regard de son équivalent. · part-of-speech taggingétiquetage morphosyntaxique part-of-speech tagging (POS tagging)étiquetage morphosyntaxique NLPTAL The task of taking a sequence of tokenized words and a tagset, and assigning to each word one tag naming its grammatical class, such as noun or verb.Tâche qui consiste à prendre une suite de mots segmentés et un jeu d'étiquettes, puis à attribuer à chaque mot une étiquette nommant sa classe grammaticale, par exemple nom ou verbe. · polysemypolysémie polysemypolysémie linguisticslinguistique The property of a word or lemma having two or more related senses.Propriété d'un mot ou d'un lemme qui possède deux sens apparentés ou plus. · regular expressionexpression rationnelle regular expression (regex)expression rationnelle regular expressionsexpressions rationnelles A pattern describing a set of character strings, built from literal characters and metacharacters with special meanings; used to search, filter and transform text by structure rather than by exact wording.Motif décrivant un ensemble de chaînes de caractères, formé de caractères littéraux et de métacaractères à signification spéciale ; sert à chercher, filtrer et transformer du texte selon sa structure plutôt que selon une formulation exacte. · token¹occurrence de mot token¹occurrence de mot linguisticslinguistique An individual occurrence of a word or another countable element in a text.Apparition individuelle d'un mot ou d'un autre élément dénombrable dans un texte. · training setjeu de données d'entraînement training setjeu de données d'entraînement machine learningapprentissage automatique The portion of a dataset used to train a machine-learning model.Portion d'un jeu de données servant à entraîner un modèle d'apprentissage automatique. · translation memorymémoire de traduction translation memory (TM)mémoire de traduction (MT) CAT toolsTAO A bilingual database of previously translated source segments and their corresponding target segments, which a translation-memory system searches to propose exact or similar matches for new source text.Base de données bilingue de segments source déjà traduits et de leurs segments cibles correspondants, dans laquelle un système de mémoire de traduction cherche des correspondances exactes ou similaires pour un nouveau texte source. annotationannotation data annotationannotation des données datadonnées The process of adding labels or other structured information, such as categories, tags, transcriptions, or marked regions, to data so that it can be used to train or evaluate a machine learning system.Processus consistant à ajouter aux données des étiquettes ou d'autres informations structurées, comme des catégories, des balises, des transcriptions ou des zones marquées, pour qu'elles puissent servir à entraîner ou à évaluer un système d'apprentissage automatique. · collocationcollocation collocationcollocation corporacorpus A combination of words that co-occur more often than chance would predict and form a habitual, semi-fixed pairing, such as heavy rain or commit a crime (rather than strong rain or do a crime).Combinaison de mots qui apparaissent ensemble plus souvent que le hasard ne le laisserait prévoir et qui forment une association habituelle, semi-figée, comme soleil de plomb ou commettre un crime (plutôt que faire un crime). · concordanceconcordance concordanceconcordance corporacorpus A display of all occurrences of a word or expression in a corpus, each shown with its surrounding context, typically one occurrence per line with the search word aligned in the middle (the key word in context, or KWIC, format).Affichage de toutes les occurrences d'un mot ou d'une expression dans un corpus, chacune accompagnée de son contexte immédiat, généralement une occurrence par ligne avec le mot cherché aligné au centre (format KWIC, mot-clé en contexte). · corpuscorpus corpuscorpus corporacorpus A collection of written texts, speech recordings or transcribed language assembled for analysis or use in language technology (plural: corpora).Ensemble de textes écrits, d'enregistrements de parole ou de langue transcrite réuni pour l'analyse ou pour les technologies langagières. · comparable corpuscorpus comparable comparable corpuscorpus comparable corporacorpus A corpus containing texts in two or more languages (or language varieties) matched on subject, genre or communicative function, whose components are typically written originally in each language rather than translated: press articles written independently in French and in English on the same events, for instance.Corpus réunissant des textes en deux ou plusieurs langues (ou variétés de langue) appariés par sujet, genre ou fonction de communication, et dont les composantes sont généralement rédigées à l'origine dans chaque langue plutôt que traduites : par exemple des articles de presse rédigés indépendamment en français et en anglais sur les mêmes événements. · parallel corpuscorpus parallèle parallel corpuscorpus parallèle corporacorpus A corpus of texts in one language together with their translations into one or more other languages, usually aligned sentence by sentence so that each segment can be viewed next to its equivalent.Corpus de textes dans une langue accompagnés de leurs traductions vers une ou plusieurs autres langues, généralement alignés phrase par phrase de façon à afficher chaque segment en regard de son équivalent. · part-of-speech taggingétiquetage morphosyntaxique part-of-speech tagging (POS tagging)étiquetage morphosyntaxique NLPTAL The task of taking a sequence of tokenized words and a tagset, and assigning to each word one tag naming its grammatical class, such as noun or verb.Tâche qui consiste à prendre une suite de mots segmentés et un jeu d'étiquettes, puis à attribuer à chaque mot une étiquette nommant sa classe grammaticale, par exemple nom ou verbe. · regular expressionexpression rationnelle regular expression (regex)expression rationnelle regular expressionsexpressions rationnelles A pattern describing a set of character strings, built from literal characters and metacharacters with special meanings; used to search, filter and transform text by structure rather than by exact wording.Motif décrivant un ensemble de chaînes de caractères, formé de caractères littéraux et de métacaractères à signification spéciale ; sert à chercher, filtrer et transformer du texte selon sa structure plutôt que selon une formulation exacte. · training setjeu de données d'entraînement training setjeu de données d'entraînement machine learningapprentissage automatique The portion of a dataset used to train a machine-learning model.Portion d'un jeu de données servant à entraîner un modèle d'apprentissage automatique. · lemmalemme lemmalemme linguisticslinguistique The base or dictionary form under which the inflected forms of a word are grouped: go, goes, went and gone share the lemma go.Forme de base, ou forme de dictionnaire, sous laquelle sont regroupées les formes fléchies d'un mot : va, allons, allait et allé partagent le lemme aller. · translation memorymémoire de traduction translation memory (TM)mémoire de traduction (MT) CAT toolsTAO A bilingual database of previously translated source segments and their corresponding target segments, which a translation-memory system searches to propose exact or similar matches for new source text.Base de données bilingue de segments source déjà traduits et de leurs segments cibles correspondants, dans laquelle un système de mémoire de traduction cherche des correspondances exactes ou similaires pour un nouveau texte source. · metadatamétadonnée metadatamétadonnée datadonnées Structured information that describes, identifies, or provides context for other data. In a marked-up document or translation format, metadata may indicate the language, author, creation date, file type, segment identifier, translation status, subject field, or origin of the content. Metadata may be stored in elements or attributes. It is generally distinguished from the main content to be translated, although some metadata values may themselves require localization.Information structurée qui décrit, identifie ou contextualise d'autres données. Dans un document balisé ou un format de traduction, les métadonnées peuvent indiquer la langue, l'auteur, la date de création, le type de fichier, l'identifiant d'un segment, son état de traduction, le domaine ou la provenance du contenu. Elles peuvent être stockées dans des éléments ou dans des attributs. On les distingue généralement du contenu principal à traduire, même si certaines de leurs valeurs peuvent elles-mêmes devoir être localisées. · n-gramn-gramme n-gramn-gramme corporacorpus A sequence of n consecutive items from a text, usually words: bigrams (n = 2), trigrams (n = 3), and so on.Suite de n éléments consécutifs d'un texte, généralement des mots : bigrammes (n = 2), trigrammes (n = 3), etc. · token¹occurrence de mot token¹occurrence de mot linguisticslinguistique An individual occurrence of a word or another countable element in a text.Apparition individuelle d'un mot ou d'un autre élément dénombrable dans un texte. · polysemypolysémie polysemypolysémie linguisticslinguistique The property of a word or lemma having two or more related senses.Propriété d'un mot ou d'un lemme qui possède deux sens apparentés ou plus. · natural language processingtraitement automatique de la langue natural language processing (NLP)traitement automatique de la langue (TAL) NLPTAL An interdisciplinary field that develops and studies computational methods for analyzing, processing, and generating human language.Domaine interdisciplinaire qui développe et étudie des méthodes computationnelles pour analyser, traiter et générer le langage humain.