Numérisation, stockage et interopérabilité des corpus

Projet mené en collaboration avec la MSH Bretagne et soutenu par la TGIR Huma-Num

Porteur: Thomas Gaillat

Description

Les chercheurs de l’équipe fondent leurs travaux sur l’usage de corpus. A l’image du corpus InterLangue (CIL) créé dès 2008, d’autres corpus ont vu le jour dans le cadre de recherches menées par les EC, les doctorants et les étudiants des masters de l’équipe.

Les données doivent pouvoir être mises en ligne de façon à permettre une exploitation plus large par la communauté scientifique. L’objectif de ce projet interne est de rendre disponible ces corpus grâce au service d’exposition Nakala, base de données de la TGIR Hum-Num.

Les données des différents corpus de l’équipe sont structurés et rendues accessibles. Les éléments des corpus sont classés thématiquement à partir de catégories définies hiérarchiquement. Chaque élément de corpus (enregistrement audio, fiche écrivain etc.) est accompagnée de métadonnées le décrivant. Dans le cas des corpus d’apprenants de L2, les métadonnées socio-éducatives accompagnent les productions.

Les données structurées sont rendues accessibles par l’intermédiaire d’interfaces de requêtes en ligne ainsi que par la mise à disposition d’API permettant leur extraction et traitement automatiques.

Dissémination

Thomas, Gaillat, and Leonardo Contreras Roa. 2020. “The Corpus InterLangue Project: Storing Language Learner Data in a Huma-Num Nakala Database for Automatic Online Retrieval.” in The CLARIN Bazaar 2020. Book of abstracts. Virtual Event.