Search

International audience; Alors que les fabliaux étaient un genre populaire au Moyen-Âge, force est de constater qu'aujourd'hui, ils ne sont que faiblement représentés dans les corpus numériques. Même si les éditions de recueils dits « complets » sont disponibles dans la collection Classiques Garnier numérique, l'accès à cette ressource n'est pas libre et elle n'offre pas d'outils d'analyse linguistique et littéraire. Face à ce constat, le projet Fabliaux propose la mise en ligne de ces textes sur le portail de la Base de Français Médiéval (BFM-TXM) en visant une certaine exhaustivité afin de permettre à chacun d'explorer ce corpus foisonnant. Cette mise à disposition, assistée par l'utilisation de la reconnaissance automatique d'écriture (HTR), permettra à terme une exploitation efficace du corpus pour établir des études approfondies de la langue et de la tradition manuscrite, des graphes de réseaux, des analyses textométriques, et ainsi ouvrir ces textes encore trop peu étudiés à de nouvelles problématiques.

International audience

International audience

International audience

This paper deals with the problems of language processing of Russian 18th century texts that occurred in the work on digital editions of the printed translation of Al’Quran (1716) and a manuscript translation of La Belle et la Bête (The Beauty and the Beast, 1758). The linguistic processing includes spelling normalization, tokenization, morphological markup and lemmatization. The work was carried out using manual pre-markup with Microsoft Word, conversion to TEI XML format and further automatic processing on the TXM platform including annotation with TreeTagger and building multi-layer transcription. In Al’Quaran edition the spelling normalization is fully automated but only the simplest cases are dealt with, while in La Belle et la Bête manual pre-markup allows generating modern form for all words., Лингвистическая обработка цифровых изданий русских текстов XVIII века Аннотация. В докладе рассмотрены проблемы лингвистической обработки русских текстов XVIII в. на материале двух цифровых корпусов: печатного издания Петровского времени «Аль Коран» и рукописной книги середины века «Повесть о Лабелле и звере». К лингвистической обработке относятся нормализация орфографии, токенизация, морфологическая разметка и лемматизация. Работа была реализована с помощью предварительной разметки в текстовом редакторе Microsoft Word, конвертации в формат TEI и последующей автоматизированной обработки на платформе TXM, включающей применение TreeTagger и построение многоуровневой транскрипции. Ключевые слова. русский язык и литература XVIII в., нормализация орфографии, электронное издание, платформа TXM, разметка TEI XML, лемматизация.

International audience; Le projet de la Base de français médiéval (BFM, http://txm.bfm-corpus.org) fait partie des membres fondateurs du Consortium CAHIER. Les origines du projet remontent à la fin des années 1980 et son évolution a suivi, et parfois anticipé, les grandes tendances du développement des humanités numériques. L'expérience de la BFM a permis de contribuer à plusieurs chantiers du consortium CAHIER : l'accès libre aux données, les normes d'encodage (et notamment l'usage de la TEI), la typologie textuelle, la mise en place de chaînes éditoriales ouvertes. Les échanges qui se sont produits dans les groupes de travail et lors des ateliers du consortium permettent à leur tour d'améliorer les pratiques d'encodage et les outils proposés aux utilisateurs de la BFM et d'assurer une plus grande interopérabilité et pérennité des données.La constitution de la BFM a commencé par la numérisation de l'édition de la Queste del saint Graal d'A. Pauphilet (1923) et la base a été enrichie au fil des ans grâce à des vacations, aux contributions de doctorants de Ch. Marchello-Nizia, aux échanges avec des collègues et, plus récemment, grâce à des financements ANR. A ce jour, la BFM comprend 170 textes composés entre le 9e et le 15e siècle, soit près de 4,7 millions de mots. Pour la Queste del saint Graal l'édition de Pauphilet a d'ailleurs été remplacée dans le corpus par une édition numérique originale (Marchello-Nizia et Lavrentiev 2019). Une augmentation importante du corpus est prévue en 2021. Les textes de la BFM sont étiquetés en morphosyntaxe et lemmatisés (avec ou sans vérification) et bénéficient du balisage XML-TEI enrichi. En particulier, le discours direct est balisé dans l'ensemble du corpus, ce qui permet de mener des recherches sur l'oral représenté (Guillot-Barbance et al. 2018). De nombreuses thèses et travaux de recherche ont été réalisés grâce aux données de la BFM. Notamment, la partie médiévale du corpus de la Grande grammaire historique du français (Marchello-Nizia et al. 2020) est entièrement issue de la Base de français médiéval. La BFM est accessible en ligne grâce au logiciel « portail TXM » (http://textometrie.org), les textes peuvent être consultés librement et l'accès au moteur de recherche et d'analyse est donné gratuitement sur simple inscription (Guillot-Barbance et al. 2017).Quand la TGIR Corpus (prédécesseur d'Huma-num) lance en 2010 l'appel à la création de consortiums de corpus, la BFM faisait déjà, depuis 2004, partie du Consortium international pour les corpus de français médiéval (CCFM, http://ccfm.ens-lyon.fr). Cette organisation informelle, n'ayant jamais bénéficié d'un financement spécifique et dont l'activité s'est estompée après 2008, a néanmoins permis d'entamer la réflexion et de publier des documents de travail sur les normes communes d'encodage et de description des textes, ainsi que sur les conditions d'accès aux corpus et d'échange de données. L'expérience du CCFM a sans doute inspiré l'initiative de la TGIR Corpus et a servi de point de départ pour certaines activités de CAHIER (notamment pour l'organisation de groupes de travail et pour la rédaction de guides de bonnes pratiques).L'un des premiers groupes de travail de CAHIER visait à traiter les questions juridiques liées aux droits d'auteurs (et d'éditeurs) et à la mise à disposition de corpus. La BFM avait commencé comme un ensemble de concordanciers échangés dans un cadre privé entre chercheurs sous la forme de CD-ROM ou de tirages papier, puis elle avait progressivement ouvert l'accès à l'interrogation et au téléchargement du corpus sur Internet. Elle avait une longue histoire de relations complexes avec les éditeurs commerciaux. Denise Pierrot, qui s'est occupée des questions juridiques pour la BFM, a également joué un rôle important dans le groupe de travail correspondant de CAHIER et a contribué à la rédaction du Guide des bonnes pratiques. La situation juridique a évolué suite aux décisions de justice dans le procès Droz contre Garnier numérique (2014 et 2017), ce qui a rendu possible la mise à disposition libre de textes historiques (hors apparat critique).La pérennisation des données, grâce notamment à l'usage de l'encodage XML-TEI pour les textes et les annotations, a été la priorité pour la BFM depuis le début des années 2000 (Guillot et Heiden 2002). Le consortium CAHIER a pu bénéficier de la documentation de la BFM relative à l'encodage TEI du corps du texte et de l'entête (teiHeader) des documents. La BFM a été l'un des premiers projets à se conformer au modèle élaboré pour l'outil Weboai de CAHIER permettant le moissonnage des métadonnées (http://weboai.cahier.huma-num.fr). Toujours dans le domaine des métadonnées, les descripteurs typologiques de BFM, tels que le genre ou le domaine du texte, ont servi de base au thésaurus élaboré par le groupe de travail « Typologie textuelle » de CAHIER. Ce thésaurus, très riche et soigneusement structuré, permettra à son tour de préciser les métadonnées des futurs corpus de la BFM et de faciliter l'analyse de données de corpus agrégés à partir de plusieurs sources.La pérennisation des données de recherche conformément aux principes FAIR (Findability, Accessibility, Interoperability and Reusability) est l'activité du Consortium CAHIER fortement encouragée par la TGIR Huma-Num. Même si la vision qui semble se dégager des recommandations du conseil scientifique d'Huma-Num et qui consiste à exiger avant tout le dépôt des données dans l'outil Nakala nous paraît un peu réductrice, il est certain que l'archivage pérenne et l'accessibilité des données sont extrêmement importants. Le soutien que CAHIER assure pour le dépôt des textes et des images dans NAKALA est très précieux pour la BFM.La formation aux outils d'édition, d'analyse et de publication de corpus ouverts, ainsi que l'échange de bonnes pratiques éditoriales, a toujours été l'une des principales activités de CAHIER. La BFM, qui se développe en étroite collaboration avec la plateforme de préparation, d'analyse et de préparation de corpus TXM (Heiden et al. 2010) a pu partager son expérience, et des membres de l'équipe BFM ont animé de nombreuses séances de formation lors des ateliers CAHIER.Le consortium CAHIER a également favorisé les échanges entre l'équipe TXM et le Pôle document numérique de la MSH de Caen qui développe la chaîne éditoriale Métopes (grâce notamment au financement d'un stage en 2017). La BFM bénéficie actuellement de certains éléments de Métopes pour la mise en page de ses éditions au format PDF et des scripts de traitement automatique permettant d'importer dans TXM des documents XML-TEI créés avec Métopes ont été élaborés.La BFM est un projet qui a commencé bien avant la création du Consortium CAHIER et qui va sans doute continuer à se développer après la disparition de CAHIER dans sa forme actuelle de consortium de la TGIR Huma-Num. Quel que soit l'avenir du Consortium, nous sommes convaincus que les ressources numériques, les méthodes et les outils de travail élaborés grâce ou avec le soutien de CAHIER ainsi que les relations humaines et les partenariats de recherche qui se sont tissés au cours des dix ans de ses activités continueront à jouer un rôle important dans la communauté des humanités numériques.

International audience; Les linguistes travaillant sur l’histoire de la langue ont toujours exploité et utilisé comme principale source d’exploration les éditions « classiques », bien que depuis longtemps on connaisse leurs limites pour la recherche linguistique. Le développement des technologies modernes a d’un autre côté rendu le recours à de nouveaux outils (concordances, index, calculs statistiques) peu à peu indispensable à la recherche en langue, et plus récemment, les progrès continus de la technologie ont également permis d’envisager la réalisation d’éditions d’un nouveau type. L’édition numérique, qui a déjà donné lieu à plusieurs réalisations concrètes, a ainsi permis aux linguistes auparavant bridés par le papier et les techniques traditionnelles d’exprimer plus librement leurs besoins et leurs exigences. Plusieurs recherches récentes déjà publiées montrent l’efficacité de ce mouvement et le caractère novateur des acquis ainsi obtenus. A partir d’un exemple concret d’édition numérique interactive, notre présentation détaillera les enjeux méthodologiques liés à ces nouveaux outils et à ces nouvelles pratiques, en proposant une réflexion sur le concept de « philologie numérique » et en montrant ses principaux apports pour la recherche diachronique. Cette question sera illustrée en particulier par la question de la segmentation des mots.

This paper presents an experience of extending the capacities of the TXM platform by adding tools of automatic text processing (allocation of pseudo-bases by stemming technique that uses a word structural pattern method, noun phrases, the analysis of verbal dependencies). Combined with the standard TXM functions (the factorial correspondence analysis, specificity, etc.) they allow the users to improve the performance of analysis of specialized corpora, such as those aimed at the detection of unlawful discourse., В докладе представлен опыт расширения возможностей платформы TXM за счет инструментов автоматической обработки текста (выделение псевдооснов, именных групп, анализ глагольного управления). В сочетании со стандартными функциями TXM (факторный анализ соответствий, специфичность и т.д.) они позволяют более эффективно осуществлять анализ специализированных корпусов, нацеленных, в частности, на выявление противоправного дискурса. Ключевые слова. автоматический анализ текстов, платформа TXM, псевдоосновы, именные группы, глагольное управление.

International audience; The purpose of the study in the development of a technique of creation and automatic analysis of special corpora for their subsequent application as the training datasets and detecting the differentiating characters in problems of text classification. The method is to use the analysis tools provided by the TXM platform expanded with new procedures of calculation of additional characteristics of texts, such as combinations of letters, pseudo-stems, noun phrases and verb phrases. As a results, it is shown that the developed extenders of the case TXM platform allow to solve effectively problems of the analysis of texts of special subject, the created corpus of extremist subject can be used as the training selection for problems of classification of texts, the conclusion about use of combinations of letters as the universal differentiating characters along with classical linguistic characteristics of texts is drawn.; Цель исследования состоит в разработке методики создания и автоматического анализа специальных корпусов текстов для последующего применения их в качестве обучающих выборок и определения дифференцирующих признаков в задачах классификации текстов. В качестве метода применялись инструменты анализа корпусной платформы TXM, расширенной разработанными процедурами вычисления дополнительных характеристик текстов, таких как буквосочетания, псевдоосновы, именные группы, глагольные группы. В результате показано, что разработанные средства расширения корпусной платформы TXM позволяют эффективно решать задачи анализа текстов специальной тематики, созданный корпус текстов экстремистской тематики может использоваться в качестве обучающей выборки для задач классификации текстов, делается вывод об использовании буквосочетаний как универсальных дифференцирующих признаков наряду с классическими лингвистическими характеристиками текстов.

International audience; This paper presents a project of digital editions and research corpora of francophone diaries written by two Russian aristocrats, Alexandre Chicherine (1793-1813) and Olga Orlova-Davydova (1814-1876). The original French texts of these diaries have never been published in spite of their considerable value for research in linguistics, literature, social history and history of the arts. Alexandre Chicherin's diary contains a great number of the author's drawings that are closely related to the text of the diary entries. Olga Orlova-Davydova's diary contains interesting details on the everyday life of the Russian aristocracy and on some historical events and well-known figures. Both diaries provide rich data on the interaction of the Russian and French languages and cultures. The workflow of the project consists of a primary transcription with Microsoft Word using styles and some special characters (micro-syntax). This transcription is automatically converted to TEI XML and then imported into the TXM corpus analysis and publication platform (http://textometrie. org). Prototype corpora of both diaries are available on the TXM demo portal (http://portal.textometrie.org/demo/?command=page&path=/JournauxFrancophones).

International audience; The extension of the TXM platform for case analysis is considered. It is proposed to use the allocation of pseudo-words in words of text on the basis of the method of structural schemes and the identification of nominal groups in the structure of the text for selecting subcorps in terms of parameters. The results of the analysis of the corpus of extremist texts are described.; Рассмотрено расширение платформы TXM для корпусного анализа. Предложено использовать выделение псевдооснов в словах текста на базе метода структурных схем и выявление именных групп в структуре текста для выделения подкорпусов по параметрам. Описаны результаты анализа корпуса экстремистских текстов.

International audience; This paper presents an experience of creating workflows in text publishing and text corpus analysis projects that integrate, thanks to TEI encoding, two sets of tools created for different purposes.The first set of tools is called Métopes (Métodes et outils pour l’édition structurée, or Methods and tools for structured publishing). It was developed by the Pôle document numérique of the Research centre for the Humanities (MRSH) in Caen (France) and consists in a full single-source publishing toolchain. After primary editing with Microsoft Word the documents are converted using special macros to TEI, which is the core format for further editing and for all publication forms, including PDF for printing (finalized with InDesign), ePubs and online editions produced dynamically from TEI sources by the MaX tool (based on BaseX). Métopes has been adopted by a number of French academic publishers.TXM, on the other hand, is a free and open-source (GPL V3. licence) Java and C based platform for text corpus building, annotationand analysis. It includes NLP tools, search engines and visualization tools with convenient hyperlinks between distant synthetic quantitative analysis to close reading views . TXM uses TEI (with a couple of extension elements) as an internal format for encoding the text structure and all kinds of annotations.So, both Métopes and TXM rely on TEI markup. However, Métopes focuses on general text structure and on presentational aspects (e.g. it is very sensitive to white spaces), while TXM needs to perform precise linguistic analysis (e.g. tokenisation, language identification in multi-language documents).Thanks to funding from CAHIER consortium, an intern from Caen worked for three months with the TXM team in 2017. He created a set of XSLT and CSS stylesheets that make it possible to correctly parse and analyse a Métopes produced text file or corpus with TXM, and to generate high quality publications based on texts prepared for TXM analysis. In many cases both tools use the same TEI tags, which makes integration quite straightforward. In other cases, more work is necessary to ensure full compatibility (e.g. generating table of contents in TXM or supporting word-level annotation by Métopes tools). A further integration step may consist in creating a single editorial and analytical toolchain for text scholars. A simplified workflow chart of this chain is presented in the Figure 1.The work done so far is documented on a wiki page, and the scripts (Groovy and XSLT) are available for download under an LGPL license. All documentation is currently only available in French but we are interested in collaboration for its translation into English and other languages.

International audience; Our corpus of medieval French texts is divided into 59 discourse units (DUs) which cross text genres and spoken vs non spoken text chunks (as tagged with q and sp TEI tags). A correspondence analysis (CA) performed on selected POS tags indicates orality as the main dimension of variation across DUs. We then design several methodological paths to investigate this gradient as computed by the CA first axis. Bootstrap is used to check the stability of observations; gradient-ordered barplots provide both a synthetic and analytic view of the correlation of any variable with the gradient; a way is also found to characterize the gradient poles (here, more-oral or less-oral poles) not only with the POS used for the CA analysis, but also with words, in order to get a more precise and lexical description. This methodology could be transposed to other data with a potential gradient structure.

International audience; Reported speech can be defined as the rendering by writing of spoken utterances. From the beginning of French, sequences or episodes of reported speech are inserted into texts. Sometimes monologic, sometimes dialogic, these episodes are explicitly distinguished from the rest of texts thanks to a system of linguistic marks or tags. In this article, we are interested in the marks that provide the outer boundary of those episodes (the borders with the narrative) and that contribute to their internal structuring into smaller units (turns for each change in speaker). The middle (dit-il, fait-il) and beginning (li rois li dist) reporting clauses are part of those marks. Their formal and functional characteristics are studied in a balanced diachronic corpus, the BFM medieval French corpus (9th-16th, 4.7 million words) using the systematic and exhaustive analysis tools provided by the TXM software. The study reveals two parallel changes. From a formal point of view, the middle and the beginning reporting clauses differentiate between the ninth and the end of the thirteenth century: the verbs which are used (faire and dire), the expression of the subject (mandatory or not, in a pronominal or nominal form), the order of constituents (SV or VS) are progressively no longer the same. From a functional point of view, the middle and the beginning reporting clauses specialize themselves more slowly and belatedly, the first in the markup of the alternation of speech turns, the second in the tagging of the entry in the episode of reported speech. Data interpretation allows us to propose a model of evolution of the middle and beginning reporting clauses in three phases (ninth - mid-twelfth century / mid twelfth - 1300 / 1300 - 1500). This model provides information on the evolution of two specific linguistic markers of reported speech and shows how the vernacular language develops its own “mark-up” system before the advent of print and modern typographic signs (quotation marks, dashes).; L’oral représenté peut se définir comme la restitution à l’écrit de paroles prononcées oralement. Dès les débuts du français, des séquences ou épisodes d’oral représenté sont insérés dans les textes. Tantôt monologiques, tantôt dialogiques, ces épisodes sont explicitement distincts du reste des textes grâce à un système de marques ou balises linguistiques. Nous nous intéressons dans cet article aux marques qui assurent la délimitation externe des épisodes (les frontières avec le récit), et qui contribuent à leur structuration interne en unités de plus petite taille (prises de parole à chaque changement de locuteur). L’incise (dit-il, fait-il) et l’annonce (li rois li dist) font partie de ces marques. Leurs caractéristiques formelles et fonctionnelles sont étudiées dans un corpus diachronique diversifié, la Base de français médiéval (ixe - xvie s., 4,7 millions de mots) à l'aide des outils d'analyse systématique et exhaustive du logiciel TXM. L’étude met en évidence deux changements parallèles. Du point de vue formel, l’incise et l’annonce se différencient entre le ixe et la fin du xiiie siècle : les verbes utilisés (faire et dire), l’expression du sujet (obligatoire ou non, sous forme pronominale ou nominale), l’ordre des constituants (SV ou VS) ne sont progressivement plus les mêmes. Du point de vue fonctionnel, l’incise et l’annonce se spécialisent plus lentement et plus tardivement, la première dans le marquage de l’alternance des tours de parole, la seconde dans le balisage de l’entrée dans l’épisode d’oral représenté. L’interprétation des données nous permet de proposer un modèle d’évolution de l’incise et de l’annonce en trois phases (ixe-mi xiie siècle / mi xiie-1300 / 1300-1500). Ce modèle nous renseigne sur l’évolution de deux marques linguistiques spécifiques à l’oral représenté et montre de quelle façon la langue vernaculaire développe son propre système de balisage avant qu’apparaissent l’imprimé et les signes typographiques modernes (guillemets, tirets).

This paper presents the work on a corpus of francophone diaries written by Russian authors in the 19 th century. The problems of the markup necessary for research purposes are considered and technical solutions that allow optimizing the work of the project team are proposed. The local version and the web portal of the TXM platform can be used to work with the corpus., В докладе представлена работа по созданию корпуса франкоязычных дневников русских авторов XIX в. Рассмотрены проблемы адекватной исследовательским задачам разметки и предложены технические решения, позволившие оптимизировать работу коллектива проекта. Эксплуатация корпуса осуществляется с помощью платформы TXM – локальной версии и веб-портала.

International audience; Le projet MONLOE ("Montaigne à l'oeuvre") qui fait partie du corpus de textes édités par le programme des Bibliothèques Virtuelles Humanistes - base Epistemon, Centre d’Etudes Supérieures de la Renaissance, Tours) a pour épicentre cette transcription et édition experte en XML/TEI de l’Exemplaire de Bordeaux (EB). Ce précieux document conservé à la Bibliothèque Mériadeck de Bordeaux a été numérisé par la Bibliothèque nationale de France et mis en ligne sur Gallica le 30 mai 2016, ce qui a permet de visualiser en même temps le texte et le fac-similé. Exemplaire exceptionnel des Essais de 1588 (Paris, L’Angelier), ce document annoté de la main de Montaigne est publié en ligne dans une version HTML en mode texte cherchable, dans l’imprimé et dans les parties manuscrites, y compris dans toutes ses ratures, ses « litures » et ses « trassures » comme Montaigne les appelle, en restituant au mieux les différents codes graphiques et typographiques de l'auteur. L’édition numérique permet de visualiser et d’explorer les strates décelables dans la rédaction des Essais, méthode plus archéologique que génétique ou strictement diachronique. Elle offre la transcription intégrale de toutes les additions et retouches sur l’imprimé par le jeu des couleurs, avec les modifications manuscrites et les restitutions indispensables à partir de l’édition de 1595. La transcription de base réalisée à l’identique respecte la présentation physique du livre avec les usages typographiques de l’époque (alignement, répartition des i/j et u/v, signatures, titres courants). Elle devient une véritable édition critique numérique par le balisage à partir d’un fichier-base en XML/ TEI, générant deux niveaux: 1) Quasi-diplomatique ou fac-similaire 2) Régularisé. Le protocole appliqué est celui de la TEI-Renaissance utilisé par les BVH depuis 2007. Le projet utilise le langage XSLT qui permet de générer semi-automatiquement la désabréviation et la dissimilation des textes transcrits et ainsi de passer de l’état quasi-diplomatique à l’état régularisé, de styler les différentes portions du texte et d’affecter des couleurs aux niveaux d’intervention à signaler. Les principes de cette philologie augmentée appliqués par les éditeurs scientifiques suivent les exigences de base de la philologie traditionnelle: traitement des variantes et des fautes de typographie, erreurs et confusions de l’auteur, sans ajouter artificiellement des accents aigus sur les participes passés ni d’accent grave pour distinguer entre a et à, des et dès, etc. Le format PDF permet de visualiser l’ensemble, mais la version optimale est celle que l’on peut voir en ligne avec les options de consultation (https://montaigne.univ-tours.fr).

International audience; This paper presents a project involving TEI encoding of Akkadian tablets for their further analysis with TXM software. The goal of the project is to analyze the vocabulary, spelling and syllabary of a corpus of Akkadian letters, to outline the different Mesopotamian scribal traditions and to understand the complexity of a letter’s writing. The corpus is currently composed of 350 letters written in the Old Babylonian dialect between 2002 BC and 1595 BC. All the letters have been transliterated in Latin characters following the standards established by the Archibab team (http://www.archibab.fr). The transcriptions (previously stored in a relational database) were encoded in TEI for this project. Every word is tagged with a element and annotated with @ana. The element surrounds every transliterated sign, using @ref for mapping to its Rykle Borger’s syllabary identification number and Unicode codepoint. The transcription also encodes damage and conjecture elements , , , , , etc. Special XSLT stylesheets were designed to preprocess the TEI source transcriptions for TXM import via a generic XML import module with tokenization at word or cuneiform character levels optimized for different kinds of queries. It is for example possible to compare different letters by their vocabulary or orthography according to various metadata parameters, to study the different (transliterated) values of the cuneiform signs that are not damaged on the clay tablet or to obtain a kwic concordance of the cuneiform signs that were erased by the scribe during the writing of the letter. Correspondence analysis allows identifying the vocabulary which is characteristic to a place of composition, a circumstance or a period, and visualizing the similarity or dissimilarity of the letters. A sample corpus will be made available under open license at the TXM demo portal (http://portal.textometrie.org/demo) by the time of the TEI conference.

This paper presents three key aspects in the development of the Base de Français Médiéval Old French text corpus: the quality of data, open source policy for texts and software, and improvement of tools for reading, searching and and analyzing the texts of the corpus., Cette communication présente trois aspects fondamentaux du développement de la Base de français médiéval : la qualité des données pour la recherche, la politique de diffusion ouverte des textes et des outils d’analyse et l’amélioration des outils de lecture, de recherche et d’analyse des textes du corpus., В докладе представлены три ключевых аспекта развития Базы средневекового французского языка (BFM): повышение качества данных, открытость текстов и программного обеспечения и улучшение инструментов для чтения, поиска и анализа текстов корпуса.

Le projet MONLOE ("Montaigne à l'oeuvre") qui fait partie du corpus de textes édités par le programme des Bibliothèques Virtuelles Humanistes - base Epistemon, CESR) a pour épicentre cette transcription et édition experte en XML/TEI de l’Exemplaire de Bordeaux (EB). Cet exemplaire exceptionnel des Essais de 1588 est publié en ligne dans une version en mode texte cherchable, dans l’imprimé et dans les parties manuscrites, y compris dans toutes ses ratures, ses « litures » et ses « trassures » comme Montaigne les appelle, en restituant au mieux les différents codes graphiques et typographiques de l'auteur. L’édition numérique permet de visualiser et d’explorer les strates décelables dans la rédaction des Essais, méthode plus archéologique que génétique ou strictement diachronique. Elle offre la transcription intégrale de toutes les additions et retouches sur l’imprimé par le jeu des couleurs, avec les modifications manuscrites et les restitutions indispensables à partir de l’édition de 1595.La transcription de base réalisée à l’identique respecte la présentation physique du livre avec les usages typographiques de l’époque (alignement, répartition des i/j et u/v, signatures, titres courants). Elle devient une véritable édition critique numérique par le balisage à partir d’un fichier-base en XML/ TEI, générant deux niveaux: 1) Quasi-diplomatique ou fac-similaire 2) Régularisé. Le protocole appliqué est celui de la TEI-Renaissance utilisé par les BVH depuis 2007. Le projet utilise le langage XSLT qui permet de générer semi-automatiquement la désabréviation et la dissimilation des textes transcrits et ainsi de passer de l’état quasi-diplomatique à l’état régularisé, de styler les différentes portions du texte et d’affecter des couleurs aux niveaux d’intervention à signaler. Les principes de cette philologie augmentée appliqués par les éditeurs scientifiques suivent les exigences de base de la philologie traditionnelle: traitement des variantes et des fautes de typographie, erreurs et confusions de l’auteur, sans ajouter artificiellement des accents aigus sur les participes passés ni d’accent grave pour distinguer entre a et à, des et dès, etc.

Notre étude se base sur un corpus de textes français composés entre le 9ème et le 15ème siècle et appartenant à différents domaines et traditions ou genres discursifs (domaine historique, didactique, religieux, littéraire ; genre du roman, de la chanson de geste, de la chronique, du lapidaire, etc.). Grâce à un repérage automatique et au balisage du discours direct dans ce corpus de textes, une première étude a été récemment menée sur la " grammaire " du discours direct - et ce en quoi elle diffère de la grammaire du récit

International audience

This paper presents a project of a digital edition of the medical treatise entitled L'enseignement ou la manière de garder et conserver la santé (Treatise on the preservation of health), which is translated into Middle French from the Latin work by Guido Parato entitled Libellus de sanitate conservanda (1459). The publication is based on the manuscript St. Petersburg, Russian National Library, Fr.Q.v.VI.1. Methodological principles and technological solutions used in the publication have been developed in the "Quest of the Holy Grail" digital edition project, and are adopted for the future Base de Français Médiéval digital library collection (BFM, http://txm.bfm-corpus.org)., В докладе представлен проект электронного издания медицинского трактата "L'enseignement ou la manière de garder et conserver la santé" ("Трактат о сохранении здоровья"), представляющего собой перевод на среднефранцузский язык латинского произведения Гвидо Парато "Libellus de sanitate conservanda" (1459). Издание готовится на основе рукописи СПб., РНБ, Fr.Q.v.VI.1. Методологические принципы и технологические решения, используемые в издании, разработаны в рамках проекта издания "Поиска святого Грааля", а в перспективе издание должно войти в коллекцию электронных текстов Базы средневекового французского (BFM, http://txm.bfm-corpus.org).

This paper presents an overview of the development of corpora for research on the history of the French language and discusses some methodological problems related to the creation and use of such corpora. These include the sustainability and the accuracy of data as well copyright and open access issues. Examples of corpus-based research are given to demonstrate the relevance of corpus data., В статье представлен обзор развития корпусных исследований в области истории французского языка и обсуждается ряд методологических проблем, связанных с созданием и эксплуатацией таких корпусов. Эти проблемы включают долговременную доступность и адекватность представления данных, а также защиту авторских прав и обеспечение открытого доступа. Для иллюстрации значимости корпусных данных приводятся примеры основанных на корпусе лингвистических исследований.

In this paper a computerized model for morphological analysis of French wordforms is proposed. Firstly, a brief description of a stemming algorithm is given. The main idea is to create structural schemes and corresponding lists of suffixes, and the detailed procedure of this work is described in the second part of the paper.. The next part of this work concerns the technique of determining of grammatical characteristics for the French language. In the final part of the work, some results of execution of the proposed algorithms are provided., В данной работе представлено описание модели морфологического анализа словоформ французского языка. Дано краткое описание алгоритма выделения псевдоосновы, главная идея которого заключается в построении структурных схем и соответствующих множеств суффиксов. Описана процедура их построения для случая французского языка. Предложена методика восстановления грамматических характеристик словоформ. Представлены результаты работы предложенных алгоритмов.

L'introduction de la ponctuation moderne et interprétative a été le choix de la grande majorité des éditeurs scientifiques des œuvres françaises médiévales. Ce choix, qui impose au lecteur une certaine interprétation du texte et le prive en partie de sa polysémie naturelle, s'est imposé dans les éditions traditionnelles sur papier, car un texte non ponctué ou reproduisant fidèlement la ponctuation scribale aurait été très difficile à comprendre pour un lecteur moderne. On sait par ailleurs que la ponctuation pouvait varier énormément d'un manuscrit à l'autre d'une même œuvre, ce qui fait que la ponctuation des manuscrits médiévaux n'est jamais (ou n'est que très rarement) celle de l'auteur. Les technologies numériques offrent désormais la possibilité de ne plus se limiter à une interprétation possible, mais de laisser le lecteur choisir une " facette " éditoriale (de la plus fidèle à la source à la plus interprétative et normalisée) qui lui convient le mieux. Bien entendu, aucune édition ou même transcription de manuscrit ne peut s'affranchir de choix éditoriaux et d'interprétations. La ponctuation stricto sensu est d'ailleurs étroitement liée aux autres dispositifs de la structuration graphique (séparation des mots, emploi de majuscules et de lettrine, mise en page...). Dans notre intervention, nous nous appuierons sur l'expérience de l'édition numérique de la Queste del saint Graal (http://catalog.bfm-corpus.org/qgraal_cm) pour présenter les règles de l'établissement de la ponctuation dans les différentes facettes du texte en ancien français avant d'engager une réflexion plus générale sur les principes éditoriaux qui sont en train s'établir dans le cadre de la Base de Français Médiéval.

This paper presents an experience of creating and analyzing a corpus of Bouvard et Pécuchet files in the methodological and technological framework of textometry, which is completely different from that of the project where these files were produced. It shows the advantages of using an open and interdisciplinary encoding system that is provided by the XML standard and the guidelines of the Text Encoding Initiative Consortium (TEI), but also points out the limits due to the extreme variability of TEI encoding practices and to the difficulty of reconciling a very precise documentary representation of the primary sources encoding practice with identifying the semantic structures relevant for textometric analysis., [http://flaubert.univ-rouen.fr/revue/article.php?id=113] Cet article présente une expérience d'exploitation du corpus des dossiers de Bouvard et Pécuchet dans le cadre méthodologique et technologique de la textométrie, qui est très éloigné du projet d'origine. Il montre les possibilités offertes par l'usage d'un système d'encodage de sources textuelles ouvert et interdisciplinaire tel que proposé par le format standard XML et les recommandations du consortium de la Text Encoding Initiative (TEI), mais aussi les limites que posent l'extrême variabilité des pratiques d'encodage en TEI et la difficulté de concilier la représentation documentaire très précise de la source primaire avec la constitution de structures sémantiques pertinentes pour l'analyse textométrique.

International audience; TXM (http://sf.net/projects/txm) is an open-source software platform providing tools for qualitative and quantitative content analysis of text corpora. It implements the textometric (formerly lexicometric) methods developed in France since the 1980s, as well as generally used tools of corpus search and statistical text analysis (Heiden 2010).TXM uses a TEI extension called “XML-TXM” as its native format for storing tokenized and annotated with NLP tools corpora source texts (http://sourceforge.net/apps/ mediawiki/txm/index.php?title=XML-TXM). The capacity to import and correctly analyze TEI encoded texts was one of the features requested in the original design of the platform.However, the flexibility of the TEI framework (which is its force) and the variety of encoding practices make it virtually impossible to work out a universal strategy for building a properly structured corpus (i.e. compatible with the data model of the search and analysis engines) out of an arbitrary TEI encoded text or group of texts. It should nevertheless be possible to define a subset of TEI elements that would be correctly interpreted during the various stages of the corpus import process (for example, the TEI-lite tag set), to specify the minimum requirements to the document structure and to suggest a mechanism for customization. This work is being progressively carried out by the TXM development team, but it can hardly be successful without an input from the TEI community.The goal of this paper is to present the way TXM currently deals with importing TEI encoded corpora and to discuss the ways to improve this process by interpreting TEI elements in terms of the TXM data model.

International audience; Le ms. Londres, BL Arundel 230, daté probablement de la seconde moitié du XIIe siècle, contient un Psautier bilingue à usage liturgico-dévotionnel où la traduction interlinéaire en anglo-normand, en très petite écriture, s'insère entre les longues lignes des versets latins, copiés dans un gros module. Le texte latin est encore très proche du Psautier romain, compilation diffusée en Angleterre avant la traduction hyéronymienne connue sous le nom de Psautier gallican, alors que la glose française a dû être composée à partir d'un psautier latin qui contenait un texte légèrement différent. Plusieurs auteurs (BERGER 1884 en premier) ont déjà remarqué la proximité entre cette traduction française et celle du Psautier d'Oxford (ms. Oxford, Bodleian Douce 320), qui apparaît comme la première traduction du psautier en français médiéval et qui, copiée sans le latin, répond à un besoin différent du cas courant de la liturgie. Alors que dans le Psautier d'Oxford la traduction se présente comme un texte suivi, sous forme unilingue, dans le Psautier d'Arundel les blocs de mots ne semblent pas tenir compte de la syntaxe française et sont plutôt disposés, comme des gloses, dans l'interligne du texte latin de sorte à se trouver en regard des groupes de mots latins correspondants. Cette disposition du texte français permet de se demander si le Psautier d'Arundel ne représenterait pas la forme primitive de la traduction du Psautier. BERGER 1884, 17 a déjà démontré qu'il ne faut pas attribuer cette importance au Psautier d'Arundel, dont la traduction est empruntée à un Psautier au texte continu de la famille du Psautier d'Oxford, que le copiste retourne, en l'adaptant plus ou moins bien mais en ayant toujours en vue de coller au plus près au texte latin souscrit. Si le copiste d'Arundel suit l'ordre des mots latins plus volontiers que celui d'Oxford, les traductions anglo-normandes du Psautier au XIIe siècle apparaissent de toute façon très serviles par rapport au texte biblique, qui impose un style particulier, et que parfois elles ne comprennent pas correctement. Comme nous l'avons déjà montré (PIGNATELLI 2009 et 2012), l'étroite dépendance à l'égard de la syntaxe latine y apparaît dans une mesure nettement supérieure à celle qu'on constate dans les textes traduits et non traduits de l'époque, malgré des dérogations à l'ordre des termes dans l'original qui avaient déjà été partiellement étudiées par HERMAN 1954. Pour l'édition du texte du Psautier d'Arundel, où le copiste a tenu à faire correspondre les blocs de mots de la traduction à ceux du latin, il est donc primordial de pouvoir respecter le parti de mise en texte du manuscrit, où le psautier latin constitue le cadre sur lequel la traduction française se calque " physiquement ". L'édition électronique permet aujourd'hui de résoudre ce type de problèmes grâce à une présentation 'multi-modale' ou 'multi-facettes' : par un simple jeu d'affichage, on peut ainsi avoir accès à différents types de transcriptions du texte enrichies d'annotations éditoriales. Nous procédons donc actuellement à une édition numérique du Psautier d'Arundel, menée avec l'aide des membres de l'équipe ICAR (CNRS / Université Lyon 2 / ENS de Lyon), et qui prévoit d'abord une remise à plat des lectures de BEYER. Le texte, balisé en XML en respectant les recommandations de la TEI P5, est ensuite soumis à des outils de visualisation, d'extraction et d'analyse des données fournis par la plateforme TXM développée au Laboratoire ICAR (HEIDEN / LAVRENTIEV 2012). L'utilisation de ces programmes, rendant possible l'alignement des textes et l'annotation des éditions, permet de visualiser, dans ses deux versions, semi-diplomatique et normalisée, l'étroite correspondance qui a été recherchée par le scribe entre le texte latin et sa glose. Le CILPR 2013 sera l'occasion de présenter pour la première fois le prototype d'édition numérique interactive de ce texte sur le portail web de la Base de Français Médiéval (http://txm.bfm-corpus.org/bfm), où la communauté scientifique pourra feuilleter les différents niveaux d'édition, utiliser les différentes fonctionnalités de recherche et d'analyse textométrique, et suivre l'évolution du chantier.

This paper presents TEI-based text encoding and annotation formats used in the Base de Français Médiéval Old French corpus http://txm.bfm-corpus.org

В докладе представлены проблемы создания референтных диахронических корпусов французского языка пути их решения, предложенные несколькими взаимосвязанными проектами: Репрезентативный корпус первых французских текстов (CoRPTeF), Большая историческая грамматика французского языка (GGHF) и Эволюция системы предлогов во французском языке (PRESTO). Многие из этих проблем релевантны для проекта референтного корпуса любого языка, охватывающего широкую диахроническую перспективу., This paper deals with the problems in creating diachronical reference corpora of the French language and with their solutions proposed by several interconnected projects: the Representative Corpus of the First French Texts (CoRPTeF), the Big Historical Grammar of French (GGHF) and the Evolution of the French Prepositional System (PRESTO). Many of these problems are relevant for a project of a reference corpus of any language including a large diachronical dimension.

De nombreuses recherches menées en parallèle dans un cadre linguistique ont montré que la dichotomie entre oral et écrit était trop simple : d'une part, il est certainement plus approprié d'établir un continuum entre ces deux pôles, d'autre part il convient d'établir des catégories plus fines et plus précises, en distinguant plusieurs types d'oral et d'écrit et en dissociant le canal par lequel se fait la communication et le mode de conception du message lui-même. La recherche dont les premiers résultats sont présentés dans cet article repose sur l'exploration outillée d'un corpus de textes médiévaux. Fondée sur une approche contrastive des données, elle s'articule autour de trois grandes questions : 1) Quel accès pouvons-nous avoir à l'oral et à quelle(s) forme(s) d'oral au Moyen Age ? 2) Quelle relation peut-on établir entre le discours direct et l'oral représenté dans les documents médiévaux ? 3) Le discours direct présente-t-il une grammaire spécifique ? Le présent article propose une méthodologie empirique qui permette d'aborder ces différents points. Premièrement, il s'agit de décrire la façon dont le corpus enrichi permettant d'étudier le discours direct de manière contrastive a été élaboré et de présenter la méthodologie d'analyse et les outils utilisés. Les premiers résultats tirés de l'exploitation du corpus sont exposés dans une seconde section.

Extended abstract available at the conference website: http://idhmc.tamu.edu/teiconference/program/papers/

International audience; In this paper we consider some problems of automatic linguistic annotation and analysis of textual heritage documents encoded according to the TEI XML guidelines. TEI XML is a popular standard for encoding electronic editions of textual heritage documents as it allows highly customizable semantically-oriented markup independent of a particular platform or software. TEI is aimed at facilitating data exchange and interoperability. However, rich editorial markup including various readings and interpretations at various levels of linguistic hierarchy may be a serious challenge if one wants to apply NLP (natural language processing) tools to such an edition. Based on the example of the Base de Français Médiéval Old French corpus and on the electronic edition of the Queste del saint Graal, we will discuss the solutions to these problems that are implemented in the TXM platform import modules.; В докладе рассматриваются проблемы автоматической лингвистической аннотации и анализа документов письменного наследия, размеченных в формате XML в соответствии с рекомендациями TEI. TEI-XML широко используется для разметки документов письменного наследия, поскольку он легко адаптируется к нуждам конкретного проекта и не зависит от определенной платформы или программного обеспечения. TEI нацелена на облегчение обмена данными и интероперабельность. В то же время глубокая редакторская разметка, включающая различные чтения и интерпретации на различных уровнях языковой структуры текста может серьезно осложнить задачу обработки текста с помощью программ автоматической лингвистической аннотации. На примере примера Базы средневекового французского (BFM) и электронного издания "Поисков святого Грааля" мы рассматриваем решения этих проблем, реализованные в модулях зарузки текстов платформы TXM.