Si le développement du web a rendu accessibles des masses de données numériques, facilitant la collecte de textes et le développement de corpus, il a également donné naissance à de nouveaux genres qui défient les représentations, les méthodes et les grilles d’analyses développées jusqu’à présent. Ainsi a-t-on vu apparaître des corpus assez éloignés des premiers corpus écrits traditionnels, regroupés sous la bannière de la CMR (Communication Médiée par les Réseaux / Computer-Mediated Communica...

Nous présentons une étude originale en cours visant la compréhension des relations entre variations sociolinguistiques et réseau social. Sa démarche empirique repose sur le recueil de données sociales et langagières massives et longitudinales au sein d’une école maternelle. Environ 200 individus (enfants et adultes) sont équipés une semaine par mois pendant 3 ans de capteurs qui enregistrent en continu à la fois leurs interactions verbales et leurs contacts sociaux. Dans cet article, à visée principalement méthodologique, nous exposons les dispositifs mis (...) en place pour le recueil et les procédures mises en œuvre pour la transcription et l’annotation de données orales massives. Enfin, nous présentons les potentialités offertes par ce type de recueil pour affiner, automatiser et systématiser l’analyse variationniste des relations entre réseau social et variations sociolinguistiques. (shrink)

Pour répondre aux problématiques engendrées par la diffusion de plus en plus massive des corpus linguistiques et à l’hétérogénéité de leurs formats, nous proposons une méthode permettant de prendre en main des corpus langagiers oraux et de les convertir dans un format permettant leur exploitation outillée. Pour cette recherche, le corpus ESLO nous sert d’exemple par sa licence de diffusion, son format, son volume et ses atouts sociolinguistiques et diachroniques. Notre travail se fonde sur la compilation de ce corpus pour (...) le rendre compatible avec l’outil de textométrie TXM. Nous opérons un ensemble de transformations des données pour l’utiliser au mieux. Enfin, pour illustrer les apports de ces avancées méthodologiques, nous proposons une analyse fine et multidimensionnelle de l’usage des interrogatives dans le corpus ESLO. (shrink)

In the field of NLP, “noise” is a notion with many different meanings. This is also true in fields of linguistics in which the analysis of ecological data is central.In studies involving corpus linguistic methods, noise management is an essential process for data collection, data structuration and data analysis. Paradoxically, this step is almost never developed, or completely ignored.In this paper, we propose to focus on the management of noise during the various stages classically defined in the processing of an (...) oral corpus: data structuration (including transcription), data enrichment (including annotation) and data analysis.We show that noise management is a cross-cutting issue: it needs to be taken into account during the phases of structuration, data enrichment and analysis of linguistic corpora. More specifically, the creation of corpora of children’s productions leads us to manage a particular type of noise: the variation regarding the so-called “standard” forms. For noise management, we show that there is no ideal methodology: noise management is specific to each project. Moreover, decisions taken at one stage necessarily influence the others: a noise generated during data structuration may cause a silence during automatic processing; a noise “cleaned up” during the processing phase may generate a silence during analysis. (shrink)