Two senses of the wordLes deux sens du mot
The corpus as a research instrument
Corpus linguistics uses the word in a demanding sense. Sinclair’s definition is “a collection of pieces of language text in electronic form, selected according to external criteria to represent, as far as possible, a language or language variety as a source of data for linguistic research” (Sinclair, 2004). External criteria means the texts are picked for what they are and where they come from, not for what they happen to say, so that the sample cannot be built to confirm what its builder expects to find in it.
A corpus in that sense is a sample of something, so it can be judged against that something. Biber describes it as “a sample, designed to represent a textual domain in a language”, and gives as examples everyday conversation in English, newspaper editorials, personal email messages and the novels of Charles Dickens (Biber, 2011). There is no fixed recipe, then, for what a corpus should contain: the composition follows the question the corpus has to answer, and a corpus of one author is as legitimate as a corpus of a whole language, provided the target is stated.
Corpora are read in more places than linguistics, and not always in order to describe the language system: corpus stylistics uses the same methods to ask about one author rather than about English (Biber, 2011).
Two examples with very different profiles:
- The Canadian Hansard gathers the parliamentary debates of Canada in English and French, with precise metadata on who is speaking and when (Roukos et al., 1995).
- French Web 2023 (frTenTen23) is a giant web corpus built by crawling: 23.9 billion words from 61 million web pages (Sketch Engine, n.d.). It belongs to the TenTen family, a set of web corpora built for many languages to one shared method (Jakubíček et al., 2013).
The corpus as a practical resource
Professional and technical use often takes a looser definition: a corpus is any set of texts brought together for a precise operational purpose, even when it satisfies no research criterion of representativeness or annotation 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. . That is the ordinary sense in specialized translation, in term extraction, in ad hoc language checking, and for the training data 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. of models.
The two senses coexist without contradicting each other: how much rigour is needed depends on what the corpus is for. Publishing a study on linguistic variation takes a constructed corpus; checking the terminology of one job takes the client’s file.
Le corpus comme objet scientifique
La linguistique de corpus donne au mot un sens exigeant. La définition de Sinclair est « un ensemble de fragments de texte langagier sous forme électronique, choisis selon des critères externes pour représenter, autant que possible, une langue ou une variété de langue, comme source de données pour la recherche linguistique » (Sinclair, 2004, ma traduction). Des critères externes, cela veut dire que les textes sont retenus pour ce qu’ils sont et pour leur provenance, et non pour ce qu’ils disent, afin que l’échantillon ne puisse pas être constitué de manière à confirmer ce que la personne qui le construit s’attend à y trouver.
Un corpus en ce sens est l’échantillon de quelque chose, et peut donc être jugé par rapport à ce quelque chose. Biber le décrit comme « un échantillon conçu pour représenter un domaine textuel dans une langue », et donne pour exemples la conversation courante en anglais, les éditoriaux de presse, les courriels personnels et les romans de Charles Dickens (Biber, 2011, ma traduction). Il n’existe donc pas de recette fixe de ce qu’un corpus doit contenir : la composition suit la question à laquelle le corpus doit répondre, et un corpus d’un seul auteur est aussi légitime qu’un corpus de toute une langue, pourvu que la cible soit annoncée.
Les corpus se lisent ailleurs qu’en linguistique, et pas toujours pour décrire le système de la langue : la stylistique de corpus emploie les mêmes méthodes pour interroger un auteur plutôt que l’anglais (Biber, 2011).
Deux exemples aux profils très différents :
- Le Hansard canadien regroupe les débats parlementaires du Canada, en anglais et en français, avec des métadonnées précises sur les personnes qui parlent et les dates (Roukos et al., 1995).
- French Web 2023 (frTenTen23) est un corpus web géant construit par moissonnage : 23,9 milliards de mots tirés de 61 millions de pages web (Sketch Engine, s. d.). Il appartient à la famille TenTen, un ensemble de corpus web construits pour de nombreuses langues selon une même méthode (Jakubíček et al., 2013).
Le corpus comme ressource pratique
Les usages professionnels et technologiques adoptent souvent une définition plus souple : on parle de corpus pour n’importe quel ensemble de textes réuni dans un but opérationnel précis, même s’il ne répond pas aux critères scientifiques de représentativité ou d’annotation 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. . C’est le sens courant en traduction spécialisée, en extraction terminologique, en exploration linguistique ad hoc, et pour les 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. des modèles.
Les deux sens coexistent sans se contredire : la rigueur exigée dépend de ce qu’on veut faire du corpus. Pour publier une étude sur la variation linguistique, il faut un corpus construit ; pour vérifier la terminologie d’un mandat, le dossier du client suffit.
Sources
- Biber, D. (2011). Corpus linguistics and the study of literature: Back to the future?. Scientific Study of Literature, 1(1), 15–23. https://doi.org/10.1075/ssol.1.1.02bib
- Bowker, L., & Pearson, J. (2002). Working with Specialized Language: A Practical Guide to Using Corpora. Routledge. https://doi.org/10.4324/9780203469255
- Burnard, L. (2004). Metadata for Corpus Work. In M. Wynne (Ed.), Developing Linguistic Corpora: a Guide to Good Practice. AHDS Literature, Languages and Linguistics. https://users.ox.ac.uk/~martinw/dlc/chapter3.htm
- Jakubíček, M., Kilgarriff, A., Kovář, V., Rychlý, P., & Suchomel, V. (2013). The TenTen Corpus Family. 7th International Corpus Linguistics Conference (CL 2013), Lancaster, 125–127. https://www.sketchengine.eu/wp-content/uploads/The_TenTen_Corpus_2013.pdf
- Roukos, S., Graff, D., & Melamed, D. (1995). Hansard French/English (LDC95T20). Linguistic Data Consortium. https://catalog.ldc.upenn.edu/LDC95T20
- Sinclair, J. (2004). Corpus and Text: Basic Principles. In M. Wynne (Ed.), Developing Linguistic Corpora: a Guide to Good Practice. AHDS Literature, Languages and Linguistics. https://users.ox.ac.uk/~martinw/dlc/chapter1.htm
- Sketch Engine (n.d.). frTenTen: French corpus from the web. sketchengine.eu. https://www.sketchengine.eu/frtenten-french-corpus/
Sources
- Biber, D. (2011). Corpus linguistics and the study of literature: Back to the future?. Scientific Study of Literature, 1(1), 15–23. https://doi.org/10.1075/ssol.1.1.02bib
- Bowker, L., & Pearson, J. (2002). Working with Specialized Language: A Practical Guide to Using Corpora. Routledge. https://doi.org/10.4324/9780203469255
- Burnard, L. (2004). Metadata for Corpus Work. In M. Wynne (Ed.), Developing Linguistic Corpora: a Guide to Good Practice. AHDS Literature, Languages and Linguistics. https://users.ox.ac.uk/~martinw/dlc/chapter3.htm
- Jakubíček, M., Kilgarriff, A., Kovář, V., Rychlý, P., & Suchomel, V. (2013). The TenTen Corpus Family. 7th International Corpus Linguistics Conference (CL 2013), Lancaster, 125–127. https://www.sketchengine.eu/wp-content/uploads/The_TenTen_Corpus_2013.pdf
- Roukos, S., Graff, D., & Melamed, D. (1995). Hansard French/English (LDC95T20). Linguistic Data Consortium. https://catalog.ldc.upenn.edu/LDC95T20
- Sinclair, J. (2004). Corpus and Text: Basic Principles. In M. Wynne (Ed.), Developing Linguistic Corpora: a Guide to Good Practice. AHDS Literature, Languages and Linguistics. https://users.ox.ac.uk/~martinw/dlc/chapter1.htm
- Sketch Engine (n.d.). frTenTen: French corpus from the web. sketchengine.eu. https://www.sketchengine.eu/frtenten-french-corpus/