Around the word

[English version below]

Objectif principal

Le carnet a pour objectif de faire comprendre ce qu’est la linguistique de corpus, c’est à dire l’exploitation à grande échelle de données textuelles à l’aide d’outils numériques. Pour cela, je propose de cerner les enjeux théoriques de la discipline et d’en présenter les applications au grand public.

Les méthodes de la linguistique de corpus ont beaucoup évolué depuis le milieu du 20e siècle grâce à la montée en puissance des machines et surtout de la numérisation accrue des textes. Le Survey Corpus est le premier corpus à grande échelle. Sa constitution, initiée par Randolph Quirk en 1959, a duré une trentaine d’années. Sa composante écrite comporte un million de mots issus de textes en anglais britannique produits entre 1955 et 1985. Sa composante parlée a été compilée à partir d’enregistrements sur bandes magnétiques, transcrits à la main sur des fiches bristol. Les fiches ont ensuite été stockées dans un meuble classeur. Le corpus n’a été numérisé qu’au début des années 80. À présent, les avancées techniques permettent de constituer des corpus de plusieurs milliards de mots en quelques heures seulement. L’écart est grand entre les pratiques originelles (plus théoriques mais limitées par la dimension physique des corpus) et les pratiques les plus récentes (très avancées scientifiquement, mais peut-être moins ambitieuses théoriquement). Le carnet de recherche propose principalement de faire le pont entre ces deux extrêmes.

Thèmes abordés
  • les humanités numériques (qui recourent grandement à des techniques de linguistique de corpus),
  • le traitement automatique des langues (notamment la question de la résolution automatique d’ambiguïtés
  • et la traduction automatique),
  • la lexicologie, la lexicométrie,
  • les statistiques,
  • la visualisation de données de masse,
  • l’intelligence artificielle.
Main goal

Contemporary corpus linguistics consists in applying computational, quantitative techniques to large digital text collections to test linguistic hypotheses. In this blog, I introduce the reader to these techniques. I discuss their main theoretical challenges and present their most recent applications to a wide audience.

With a constant decrease in the price of disk storage and an ever increasing offer of tools to process an ever increasing amount of electronic data, corpus linguistics techniques have changed a lot since they appeared in the mid 20th century. The Survey of English Usage corpus (also known as the Survey Corpus) is the first “large-scale” corpus of English. It was initiated by Randolph Quirk in 1959 and took thirty years to complete. The written component consists of 200 texts of 5000 words each, amounting to one million words of British English produced between 1955 and 1985. The Survey Corpus also has a spoken component in the form of now digitized tape recordings of monologues and dialogues. The corpus is originally compiled from magnetic data recordings, transcribed by hand, and typed on thousands of 6×4-inch paper slips stored in a filing cabinet. The Survey Corpus was not computerized until the early 1980s. Nowadays, very large corpora (up to several billion words) can be compiled within hours. There is a substantial gap between early-day corpus linguistics (theoretically advanced, but limited by the physicality of corpora) and contemporary corpus linguistics (technically advanced, but perhaps less theoretically ambitious). The aim of this research blog is to bridge this gap.

Topics
  • the digital humanities
  • Natural Language Processing
  • lexicology and lexicometry
  • statistics
  • big-data visualization
  • artificial intelligence

1 réponse

  1. Hi, this is a comment.
    To get started with moderating, editing, and deleting comments, please visit the Comments screen in the dashboard.
    Commenter avatars come from Gravatar.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *