Going furtherPour aller plus loin
What you can already do
The exercises used the word list, concordances, collocations 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). , the profile of a word and the comparison of two words. Three more functions are worth knowing about.
N-grams
An n-gram 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. is a run of n consecutive items from a text, usually words: bigrams for two, trigrams for three, and so on. The N-grams function extracts the most frequent word sequences of a corpus: a quick way of spotting the phraseology of a domain, its fixed formulas and the recurring segments that deserve an entry in a translation memory 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. or a glossary.
The keywords of a corpus
The Keywords function compares your corpus with a reference corpus and extracts its characteristic words: the ones that are proportionally far more frequent in it than in general language. On a specialized corpus, it is the quickest way of seeing what the corpus is about, and what sets it apart from everyday language (see also the Automatic term extraction (from rules to large language models) chapter, in the Classical NLP module) (voir aussi le chapitre Extraction automatique de termes (des règles aux grands modèles de langue), dans le module TAL classique).
Structured queries (CQL)
The advanced search of concordances takes the CQL language (corpus query language), which describes patterns over words and their tags: for instance, every noun immediately following “politique”. CQL draws on regular expressions 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. ; if you have worked through the Regular expressions module, you will recognize much of the syntax.
Ce que vous savez déjà faire
Les exercices ont utilisé la liste de mots, les concordances, les collocations 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). , le portrait d’un mot et la comparaison de deux mots. Trois autres fonctions valent la peine d’être connues.
Les n-grammes
Un n-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. est une suite de n éléments consécutifs d’un texte, le plus souvent des mots : bigrammes pour deux, trigrammes pour trois, et ainsi de suite. La fonction N-grams extrait les suites de mots les plus fréquentes d’un corpus : un moyen rapide de repérer la phraséologie d’un domaine, les formules figées et les segments récurrents qui méritent une entrée dans une mémoire 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. ou un lexique.
Les mots-clés d’un corpus
La fonction Keywords compare votre corpus à un corpus de référence et en extrait les mots caractéristiques : ceux qui y sont proportionnellement beaucoup plus fréquents que dans la langue générale. Sur un corpus spécialisé, c’est le moyen le plus rapide de voir de quoi il parle, et ce qui le distingue de la langue courante (see also the Automatic term extraction (from rules to large language models) chapter, in the Classical NLP module) (voir aussi le chapitre Extraction automatique de termes (des règles aux grands modèles de langue), dans le module TAL classique).
Les requêtes structurées (CQL)
La recherche avancée des concordances accepte le langage CQL (corpus query language), qui décrit des motifs sur les mots et leurs étiquettes : par exemple, tous les noms qui suivent immédiatement « politique ». CQL s’inspire des expressions rationnelles 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. ; si vous avez suivi le module Expressions rationnelles, vous en reconnaîtrez une bonne partie de la syntaxe.
Sources
- Kilgarriff, A., Baisa, V., Bušta, J., Jakubíček, M., Kovář, V., Michelfeit, J., Rychlý, P., & Suchomel, V. (2014). The Sketch Engine: ten years on. Lexicography, 1(1), 7–36. https://doi.org/10.1007/s40607-014-0009-9
Sources
- Kilgarriff, A., Baisa, V., Bušta, J., Jakubíček, M., Kovář, V., Michelfeit, J., Rychlý, P., & Suchomel, V. (2014). The Sketch Engine: ten years on. Lexicography, 1(1), 7–36. https://doi.org/10.1007/s40607-014-0009-9