TALC-sef, Un corpus étiqueté de traductions littéraires en serbe, anglais et français

Résumé : Le corpus TALC-sef (TAgged Literary Corpus in Serbian, English, French) est un corpus parallèle d'ouvrages littéraires en serbe, anglais et français, étiquetés en parties du discours et librement consultables via une interface en ligne. Il a été constitué par l'Université d'Arras, en collaboration avec l'Université Lille 3 et l'Université de Belgrade, dans une perspective d'études comparées en stylistique et linguistique. Le corpus TALC-sef représente au total plus de 2 millions de mots, il intègre notamment un corpus étiqueté, corrigé manuellement pour la langue serbe, de 150 000 mots. Dans cet article, nous présentons le mode de constitution du corpus parallèle dans son ensemble, puis nous nous attachons plus spécifiquement à l'élaboration du sous-corpus serbe étiqueté. Nous détaillons les choix linguistiques et techniques sous-jacents à la constitution de ce sous-corpus, qui vient compléter l'offre existante pour la linguistique sur corpus en serbe: à ce jour, le seul corpus librement disponible consiste en une traduction du roman 1984 de G. Orwell (100 000 mots), alors que nous proposons un corpus d'œuvres écrites à l'origine en Serbe, de 150 000 mots. La constitution de ce sous-corpus a permis l'élaboration de modèles d'étiquetage automatique pour trois étiqueteurs syntaxiques, dont Treetagger, TnT et BTagger, le plus efficace d'entre eux. Enfin, nous présentons les perspectives d'évolution du corpus existant, en termes d'enrichissement des annotations syntaxiques (analyses en dépendance en parallèle sur les trois langues), ainsi que les apports d'un tel corpus parallèle étiqueté pour la linguistique du français.
Document type :
Conference papers
Liste complète des métadonnées

Cited literature [33 references]  Display  Hide  Download

https://halshs.archives-ouvertes.fr/halshs-01077789
Contributor : Antonio Balvet <>
Submitted on : Monday, October 27, 2014 - 11:21:03 AM
Last modification on : Saturday, April 20, 2019 - 2:04:30 AM
Document(s) archivé(s) le : Wednesday, January 28, 2015 - 10:32:24 AM

Files

CMLF2014_TALC-sef_15-03-2014.p...
Files produced by the author(s)

Identifiers

Collections

Citation

Antonio Balvet, Dejan Stosic, Aleksandra Miletic. TALC-sef, Un corpus étiqueté de traductions littéraires en serbe, anglais et français. Congrès Mondial de Linguistique Française, Jul 2014, Berlin, Allemagne. pp.2551 - 2563, ⟨10.1051/shsconf/20140801035⟩. ⟨halshs-01077789⟩

Share

Metrics

Record views

258

Files downloads

245