Appel: Appel a collaboration, Lemmatisation du francais 15e-20e s.

[Thierry Hamon]

Date: Mon, 15 Jul 2013 17:00:23 +0200
From: Denis Vigier <denis.vigier at ens-lyon.fr>
Message-Id: <32044BCC-36CF-4AC2-AC1F-9768297F0CE4 at ens-lyon.fr>

Chers collègues,

Le projet PRESTO financé par l'ANR et la DFG (resp.: D. Vigier,
Univ. Lyon2 et P. Blumenthal, Univ. de Cologne - CF Résumé ci-dessous)
lance une opération de lemmatisation d'un corpus de textes français dont
les dates de composition s'échelonnent de 1500 et 2000. Pour cela, il a
été prévu :

- de construire un ou plusieurs lemmatiseurs sur la base des logiciels
  de l'état de l'art (MElt, TreeTagger, LGTagger...) ;
- de construire un lexique morphologique le plus complet possible
  associant « forme(1) - catégorie morphosyntaxique(2) - lemme(3) » ;
- de construire des jeux de règles de transformation orthographique
  (modernisation ou archaïsation) ;
- de construire des corpus d'apprentissage déjà étiquetés.  

Le projet PRESTO souhaite développer le lexique en appliquant un modèle
de construction équivalent à celui utilisé pour le développement des
logiciels ouverts (open-source), c'est à dire en compilant différents
lexiques en un lexique commun diffusé sous licence libre - de type
LGPLFLR (Lesser General Public License For Linguistic Resources - voir :
http://hoop.univ-mlv.fr/lgpllr.html). Cette licence précisera
explicitement la contribution de chaque partenaire et la mise à jour
régulière du lexique sera réalisée de façon communautaire au bénéfice de
tous les contributeurs.

Le développement du lemmatiseur se fera dans le cadre de la plateforme
TXM qui offre déjà un cadre de développement open-source en logistique
de corpus (gestion de formats standards en import et en export,
intégration d'outils de TAL tiers, etc.). Ce nouvel outil de
lemmatisation sera ouvert à tous et librement adaptable (open-source
avec une licence de diffusion de logiciel de type GNU GPL - voir :
http://www.rodage.org/gpl-3.0.fr.txt).

Si vous disposez de ressources pour la période 15è - 20è s., nous
souhaiterions savoir si vous êtes intéressés par des échanges et par le
partage d'un lexique, de jeux de règles de transformation ou de corpus
d'apprentissage dans les conditions décrites ci-dessus.

Si vous connaissez des personnes qui pourraient être intéressées, nous
vous serions très reconnaissants de leur faire suivre ce mail.

Bien cordialement,

Denis Vigier et Peter Blumenthal pour le projet PRESTO
Adresse de contact:

(1) certaines formes pourront être composées si nécessaire (par exemple
    comme dans le cas d'un dictionnaire Unitex)

(2) nous souhaiterions utiliser un jeu d'étiquettes normalisé basé par
    exemple sur le standard Multext adapté aux différents états de
    langue diachroniques (http://nl.ijs.si/ME/V4)

(3) nous souhaiterions utiliser des formes modernisées des lemmes y
compris pour les périodes anciennes


Résumé du projet PRESTO:
Ce projet a pour but l’étude diachronique de l’emploi, des valeurs
sémantiques et discursives des prépositions françaises "à, en, par,
contre, dès, devant, entre, pour, sans, sur, sous, vers, dans", de
l’ancienne langue jusqu’au français contemporain.

Instrumentée, adossée à une approche statistique et distributionnelle,
cette étude portera sur les variations du comportement combinatoire des
prépositions suivant des critères de dates (évolution diachronique), de
genres et d’auteurs. Notre attention se portera tout particulièrement
sur la détection des combinaisons hautement spécifiques dans lesquelles
entrent ces prépositions. Nous étudierons l’émergence, la réorganisation
et le déclin de structures prépositionnelles figées. Nous comptons
parvenir à une vision innovatrice du devenir historique sur la base d’un
modèle d’analyse fondé sur deux séries de démarches méthodologiques :
(1) l’étude de l’interdépendance entre le quantitatif (les emplois) et
le qualitatif (les valeurs) ; (2) l’étude des principes qui ont guidé,
en diachronie, la recherche de plus-values sémantiques et discursives,
véritable moteur du changement linguistique.

L’un des réquisits – mais aussi l’un des apports majeurs de ce projet -
consistera en la constitution d’un corpus comportant des données
étiquetées et lemmatisées, représentant toutes les périodes de
l’histoire du français ainsi que différents genres discursifs et types
de textes. Ce corpus, élaboré conjointement par les équipes française et
allemande, s’appuiera pour partie sur les ressources déjà disponibles à
Lyon (période médiévale), à Tours (XVIe s.), à Nancy (ATILF) et à
Cologne (période moderne, XVIIe s. – XXe s.). Une politique active sera
menée pour permettre l’ouverture de la plus grande partie possible de ce
corpus.

Denis Vigier
MCF Langue et Linguistique Françaises
Université Lyon 2 / UMR ICAR
http://icar.univ-lyon2.fr/membres/dvigier

-------------------------------------------------------------------------
Message diffuse par la liste Langage Naturel <LN at cines.fr>
Informations, abonnement : http://www.atala.org/article.php3?id_article=48
English version       : 
Archives                 : http://listserv.linguistlist.org/archives/ln.html
                                http://liste.cines.fr/info/ln

La liste LN est parrainee par l'ATALA (Association pour le Traitement
Automatique des Langues)
Information et adhesion  : http://www.atala.org/
-------------------------------------------------------------------------