Search

International audience

International audience

L’annotation des corpus oraux présente des défis particuliers, liés aux caractéristiques de la langue parlée et sa transcription. Si la méthodologie d’analyse et les outils d’annotation automatique doivent être adaptés à ces défis, il est toutefois souhaitable de garder la possibilité de comparer un corpus oral avec un corpus écrit, sur base d’un « dénominateur commun », et d’enrichir l’annotation avec des couches supplémentaires pour décrire les phénomènes propres à l’oral. Dans cet article nous présentons l’approche implémentée dans l’outil DisMo, un annotateur automatique conçu spécifiquement pour les corpus oraux, qui propose une analyse à plusieurs niveaux : étiquetage morphosyntaxique, lemmatisation, détection des unités poly-lexicales, détection et annotation des phénomènes de disfluence et des marqueurs de discours, et découpage en unités syntaxiques minimales. Nous présenterons nos travaux sur le corpus Phonologie du Français Contemporain (PFC) qui ont permis de réviser l’outil et d’améliorer sa performance. Nous préciserons les choix théoriques et pratiques quant aux niveaux d’annotation, les phénomènes détectés, les jeux d’étiquettes, ainsi qu’une évaluation de la performance de l’annotation automatique. Annotating spoken corpora poses unique challenges stemming from the particular characteristics of spontaneous speech and its transcription. Automatic annotation tools need to adapt to these challenges. At the same time, it is desirable to define a “least common denominator” of written and spoken language corpora, to allow for comparisons between these two modalities, and apply an enriched annotation scheme for phenomena specific to spoken language. In this article, we present the approach implemented in the DisMo automatic annotator, which is specifically designed for spoken corpora, and which generates a multi-level annotation, including : part-of-speech tagging, lemmatisation, multi-word unit detection, detection and annotation of disfluencies and discourse markers, and chunking. We present our work on the French corpus of the Phonologie du Français Contemporain (PFC) project ; this work allowed us to improve the tool. We discuss the theoretical and practical considerations that informed the choice of levels of annotation, types of phenomena detected, and tag sets, and we present a performance evaluation of the automatic annotation.

Concordances have always played an important role in the analysis of language corpora, for studies inhumanities, literature, linguistics, translation and language teaching. However, very few of the available systemssupport multi-level queries against a richly-annotated, sound-aligned spoken corpus. The rapid growth in thedevelopment of spoken corpora, particularly for French, increases the need for scalable, high-performance solutions.We present the preliminary results of our project to develop a multi-level multimedia concordancer for spoken languagecorpora. We test our prototype on the PFC corpus of spoken French (1.5 million tokens, transcriptions aligned to theutterance level). Our tool allows researchers to query the corpus and produce concordances correlating severalannotation levels (part-of-speech tags, lemmas, annotation of phonological phenomena such as the liaison and schwa,etc.) while allowing for multi-modal access to the associated sound recordings and other data., Les concordanciers jouent depuis longtemps un rôle important dans l’analyse des corpus linguistiques, tout comme dans les domaines de la philologie, de la littérature, de la traduction et de l’enseignement des langues. Toutefois, il existe peu de concordanciers qui soient capables d’associer des annotations à plusieurs niveaux et synchronisées avec le signal sonore. L’essor des grands corpus de français parlé introduit une augmentation desexigences au niveau de la performance. Dans ce travail à caractère préliminaire, nous avons développé un prototype deconcordancier multi-niveaux et multimédia, que nous avons testé sur le corpus de français parlé du projet Phonologie du Français Contemporain (PFC, 1,5 million de tokens de transcription alignée au niveau de l’énoncé). L’outil permet non seulement d’enrichir les résultats des concordances grâce aux données relevant de plusieurs couches d’annotation du corpus (annotation morphosyntaxique, lemme, codage de la liaison, codage du schwa etc.), mais aussi d’élargir les modalités d’accès au corpus.

International audience; Cette présentation décrira l'approche méthodologique et les différents problèmes posés par la segmentation multi-niveaux de corpus oraux dans le projet franco-allemand SegCor (SEGmentation de CORpus oraux, ANR-15-FRAL-0004), qui réunit l'IDS (Institut für Deutsche Sprache) de Mannheim, le LLL (Laboratoire Ligérien de Linguistique) d'Orléans et le laboratoire ICAR de Lyon. Ce projet a pour but de développer une méthode de segmentation utilisable pour l'analyse de la parole-en-interaction dans différentes perspectives et pour différentes communautés de chercheurs.À partir des banques de données ESLO et CLAPI pour le français et FOLK pour l'allemand, un corpus pilote de 10 extraits de 10 minutes d'interactions de nature différente a été constitué pour établir un jeu de données comparable dans les deux langues. Différentes approches de segmentation décrites en syntaxe, en prosodie, en linguistique interactionnelle et en linguistique de corpus ont alors été choisies et mises en œuvre par les trois équipes de recherche.Au sein de notre laboratoire, les niveaux de segmentation macrosyntaxique et microsyntaxique ont fait l'objet d'un travail comprenant plusieurs phases. En nous appuyant sur les projets ANR Rhapsodie et ORFEO, nous avons envisagé des phases préliminaires d'annotation, l'évaluation de l'accord inter-annotateur, l'examen de cas critiques et de nouvelles phases d'annotation. Pour ces deux niveaux, le travail a été effectué sur le corpus pilote et l'implémentation du codage est en cours de formalisation à l'aide de protocoles spécifiques (guidelines). Pour l'annotation interactionnelle en unités de construction de tour (Turn Constructional Units), que nous développerons plus en détail, un projet exploratoire porte actuellement sur la discussion des différentes approches et des critères qui permettent d'objectiver le repérage de telles unités en français et en allemand.L'annotation prosodique en proéminences intonatives a fait l'objet d'une expérience de codage manuel et automatique sur la totalité du corpus pilote. Elle nous a amené à proposer quelques modifications au protocole Rhapsodie.Le niveau d'annotation du chunking, réalisé par le LLL, a bénéficié d'un travail d'apprentissage automatique sur corpus, avec correction manuelle.Dans cette présentation, nous ne nous pencherons pas seulement sur la description des différents niveaux de segmentation et des jeux d'étiquettes, mais aussi sur les questions de conception de procédures d'annotation et de comparaison de résultats, discutées entre les trois partenaires du projet. Nous aborderons également les enjeux méthodologiques et les contraintes techniques posées par certains logiciels (EXMARaLDA, PRAAT).