{"id":3442,"date":"2020-10-30T11:25:58","date_gmt":"2020-10-30T10:25:58","guid":{"rendered":"https:\/\/www.dorif.it\/reperes\/?p=3442"},"modified":"2022-11-10T11:48:11","modified_gmt":"2022-11-10T10:48:11","slug":"entre-lecrit-et-loral-les-corpus-nunc-fr-pour-lanalyse-de-la-communication-sur-reseaux","status":"publish","type":"post","link":"https:\/\/www.dorif.it\/reperes\/entre-lecrit-et-loral-les-corpus-nunc-fr-pour-lanalyse-de-la-communication-sur-reseaux\/","title":{"rendered":"Manuel BARBERA, Elisa CORINO, Carla MARELLO, Cristina ONESTI, Entre l\u2019\u00e9crit et l\u2019oral : les corpus NUNC-FR pour l\u2019analyse de la communication sur r\u00e9seaux"},"content":{"rendered":"

Manuel BARBERA, Elisa CORINO, Carla MARELLO, Cristina ONESTI<\/h3>\n

Entre l’\u00e9crit et l’oral : le corpus NUNC-FR pour l’analyse de la communication sur r\u00e9seaux<\/strong><\/h2>\n<\/div>
\n
\n

Manuel Barbera<\/strong>
\nUniversit\u00e0 di Torino
\nmanuel.barbera@unito.it<\/p>\n

Elisa Corino<\/strong>
\nUniversit\u00e0 di Torino
\nelisa.corino@unito.it<\/p>\n

Carla Marello<\/strong>
\nUniversit\u00e0 di Torino
\ncarla.marello@unito.it<\/p>\n

Cristina Onesti<\/strong>[1]<\/a>
\nUniversit\u00e0 di Torino
\ncristina.onesti@unito.it<\/p>\n

\n
\n<\/div>\n

R\u00e9sum\u00e9<\/strong><\/h4>\n

Nous esp\u00e9rons fournir une d\u00e9monstration del\u2019utilit\u00e9 du corpus NUNC-FR pour l\u2019analyse de faits linguistiques de la communication sur r\u00e9seaux qui ne peuvent \u00eatre exclusivement limit\u00e9s \u00e0 la dimension de la seule langue \u00e9crite. Le sigle NUNC (NewsGroups UseNet Corpora) indique une suite multilingue de corpus \u2013 page d\u2019accueil http:\/\/www.bmanuel.org\/projects\/ng-HOME.html<\/a> \u2012 disponibles en libre consultation sur le portail www.corpora.unito.it<\/a>
\nOn trouve dans NUNC des textes de newsgroup (newsletter group ou groupes de discussion) c\u2019est-\u00e0-dire une forme de communication sur le web (pr\u00e9cis\u00e9ment UseNet et non pas World Wide Web), comparable aux forums de discussion et compos\u00e9e de fils de discussion (discussion thread) de questions-r\u00e9ponses organis\u00e9es selon une taxinomie pr\u00e9cise, avec des cadres argumentatifs \u00e9tiquet\u00e9s \u00ab hi\u00e9rarchies \u00bb, sur une base aussi bien g\u00e9ographique que nationale et\/ou th\u00e9matique.
\nLes donn\u00e9es ont \u00e9t\u00e9 recueillies au cours des ann\u00e9es 2000-2010 (les newsgroups ont atteint le sommet de leur popularit\u00e9 au d\u00e9but du si\u00e8cle). La section de fran\u00e7ais, NUNC-FR, \u00ab \u00e9pur\u00e9e \u00bb \u00e0 travers des op\u00e9rations de nettoyage, d\u00e9nombre 295.849.126 tokens (102.524 lemmes).<\/p>\n

Abstract<\/strong><\/h4>\n

Between the written and the spoken word: the NUNC-EN corpora for the analysis of communication on networks<\/strong><\/p>\n

The present paper aims at showing the usefulness of the NUNC-FR corpus for analysing linguistic facts of Computer Mediated Communication, with its peculiarities of blending written and spoken aspects of language. The acronym NUNC (NewsGroups UseNet Corpora) indicates a suite of multilingual corpora – home page: http:\/\/www.bmanuel.org\/projects\/ng-HOME.html – developed at the University of Turin and freely available at www.corpora.unito.it, providing the linguistic community with recent written data of a particular form of textual interaction.
\nNewsgroups (newsletter group or discussion groups) are a form of communication on the web, made of threads discussion organized according to a precise taxonomy, with argumentative frameworks labeled “hierarchies”, on a geographic as well as national and\/or thematic basis. They show not only the availability of a great quantity of textual data, but also a contemporary lively language presenting a wide variety of styles and topics; the textual interest for \u2018quoting\u2019 phenomena; the lexicographic and sociological interest in UseNet as a \u201cfolk taxonomy\u201d.
\nData was collected during the 2000-2010 period (newsgroups reached the peak of their popularity at the beginning of the century). The French section, NUNC-FR, “purified” through cleaning operations, counts 295,849,126 tokens (102,524 lemmas).<\/p>\n

\n<\/div>\n

1. Corpus de langues sur le web<\/h2>\n

 <\/p>\n

Le sigle NUNC (NewsGroups UseNet Corpora<\/em>) indique une suite multilingue de corpus \u2013 page d\u2019accueil http:\/\/www.bmanuel.org\/projects\/ng-HOME.html<\/em><\/a> \u2012 disponibles en libre consultation sur le portail www.corpora.unito.it<\/em><\/a>. C\u2019est gr\u00e2ce \u00e0 une intuition de Manuel Barbera que ce travail pluriannuel \u2012 poursuivi par une \u00e9quipe de l\u2019Universit\u00e9 de Turin \u00e0 l\u2019int\u00e9rieur de laquelle la linguistique, l\u2019informatique et la pens\u00e9e computationnelle se sont rencontr\u00e9es pour donner lieu \u00e0 de nombreux corpus \u2012 a pu \u00eatre r\u00e9alis\u00e9.<\/p>\n

\"corino<\/div>\n

IMAGE 1: La page d\u2019accueil de www.corpora.unito.it<\/em><\/a><\/p>\n

On trouve dans NUNC des textes de newsgroup<\/em> (newsletter group<\/em> ou groupes de discussion) c\u2019est-\u00e0-dire une forme de communication sur le web (pr\u00e9cis\u00e9ment UseNet<\/em> et non pas World Wide Web<\/em>), comparable aux forums de discussion (cf. LOMBART, FAIRON, 2020) et compos\u00e9e de fils dediscussion (discussion thread<\/em>) de questions-r\u00e9ponses organis\u00e9es selon une taxinomie pr\u00e9cise, avec des cadres argumentatifs \u00e9tiquet\u00e9s \u00ab\u00a0hi\u00e9rarchies\u00a0\u00bb, sur une base aussi bien g\u00e9ographique que nationale et\/ou th\u00e9matique.<\/p>\n

La conversation avance \u00e0 travers l\u2019envoi de messages (posts<\/em>) rang\u00e9s selon leur titre (subject<\/em>) et structur\u00e9s justement comme des cha\u00eenes en s\u00e9quence \u2013 cf. image 2, qui montre aussi la visualisation typique des utilisateurs d\u2019Agent (le newsreader<\/em> le plus diffus\u00e9, qui a \u00e9t\u00e9 employ\u00e9 pour t\u00e9l\u00e9charger les textes aussi). La visualisation sur corpus est diff\u00e9rente, elle montre le fil de discussion come un texte continu, cf. image 3, qui peut pr\u00e9senter un seul message long ou plusieurs messages avec une reprise constante, sous forme de citation, du texte original des messages pr\u00e9c\u00e9dents[2]<\/a>. La recherche affiche jusqu\u2019\u00e0 1000 mots de contexte et on arrive \u00e0 saisir les tendances discursives (bien qu\u2019elles ne soient pas ordonn\u00e9es comme dans Agent).<\/p>\n

\"corino<\/p>\n

IMAGE 2\u00a0: Un exemple de page-\u00e9cran du newsreader <\/em>Agent<\/p>\n

\"corino<\/p>\n

IMAGE 3\u00a0: Un exemple de page-\u00e9cran du Corpus “NUNC – Motori Francese<\/strong><\/p>\n

Recherche de<\/strong> bagnole,<\/em> contexte 100 mots<\/strong><\/p>\n

Les donn\u00e9es ont \u00e9t\u00e9 recueillies au cours des ann\u00e9es 2000-2010 (les newsgroups<\/em> ont atteint le sommet de leur popularit\u00e9 au d\u00e9but du si\u00e8cle).<\/p>\n

De nombreuses motivations de recherche nous ont port\u00e9s \u00e0 choisir ce type de donn\u00e9es linguistiques (cf. BARBERA,2007). D\u2019abord ce choix garantit l\u2019acc\u00e8s \u00e0 un grand nombre de textes\u00a0: la section de fran\u00e7ais, NUNC-FR, par exemple, m\u00eame si elle a \u00e9t\u00e9 \u00ab\u00a0\u00e9pur\u00e9e\u00a0\u00bb \u00e0 travers des op\u00e9rations de nettoyage, d\u00e9nombre encore 295.849.126 tokens<\/em> (102.524 lemmes). Il faut en outre consid\u00e9rer que, dans le panorama actuel des corpus de langue fran\u00e7aise, NUNC-FR est l\u2019un des rares corpus en libre acc\u00e8s et sans conditions sur le web, donc sans besoin d\u2019inscription ou de paiement.<\/p>\n

En deuxi\u00e8me lieu, les textes pr\u00e9sentent une Umgangssprache<\/em> contemporaine r\u00e9elle tr\u00e8s vari\u00e9e, aussi bien en ce qui concerne les registres employ\u00e9s que les th\u00e8mes abord\u00e9s (pour approfondir cet aspect cf. \u00a7 2.1).<\/p>\n

Enfin nous pouvons affirmer que ce mat\u00e9riel est l\u00e9galement disponible, \u00e0 travers Creative Commons Public Licences, aspect non n\u00e9gligeable dans la corpus linguistics<\/em>[3]<\/a>.<\/p>\n

Les noms de newsgroups de UseNet sont constitu\u00e9s de niveaux s\u00e9par\u00e9s par un point comme les noms de domaine : pour les hi\u00e9rarchies th\u00e9matiques la partie la plus importante du nom est la premi\u00e8re, qui montre une des huit hi\u00e9rarchies \u00e9tablies en 1987[4]<\/a>, par exemple soc.* dans soc.culture.religion. Les hi\u00e9rarchies nationales sont, au contraire, class\u00e9es par th\u00e8mes en partant du bas, c\u2019est-\u00e0-dire que le code ISO du pays est la premi\u00e8re indication, suivie d\u2019un sujet qui peut \u00eatre restreint avec des noms moins g\u00e9n\u00e9riques : ex. fr. droit, fr. droit.international, fr. droit.international.assurances.<\/p>\n

Parmi les d\u00e9savantages d\u2019utiliser les textes de UseNet, il faut mentionner les nombreux probl\u00e8mes pos\u00e9s par le passage \u00e0 jeux\u00a0de caract\u00e8res (charset<\/em>) diff\u00e9rents et par la pr\u00e9sence de courrier ind\u00e9sirable, de messages OT (\u201cOut of Topic\u201d hors th\u00e8me). On a r\u00e9duit ces aspects probl\u00e9matiques \u00e0 travers de logiciels de filtrage, tokenisation et balisage \u00e0 plusieurs niveaux pr\u00e9par\u00e9s par les experts informatiques du groupe de recherche (cf. BARBERA, COLOMBO, 2010).<\/p>\n

Les exemples tir\u00e9s des corpus NUNC peuvent \u00eatre int\u00e9ressants pour des \u00e9tudes morphosyntaxiques, glotto-didactiques ou bien en tant que documentation sur l\u2019acclimatation d\u2019emprunts et n\u00e9ologismes. D\u2019un point de vue plus strictement textuel, c\u2019est l\u2019int\u00e9r\u00eat pour le ph\u00e9nom\u00e8ne du quoting<\/em> (c\u2019est-\u00e0-dire la reprise d\u2019unecitation, qui est \u00e0 l\u2019ordre du jour dans les newsgroups<\/em> et qui est utilis\u00e9e par les usagers dans la plupart des cas de fa\u00e7on totalement cibl\u00e9e et consciente), qui nous a conduits \u00e0 ce choix, analys\u00e9 de plus pr\u00e8s dans Marello 2007a.<\/p>\n

Dans la suite de corpus NUNC, nous disposons aussi bien de corpus g\u00e9n\u00e9riques que de sous-sections sp\u00e9cialis\u00e9es, et il en est de m\u00eame en ce qui concerne la langue fran\u00e7aise\u00a0: en plus du corpus g\u00e9n\u00e9rique divis\u00e9 en NUNC<\/em> Fran\u00e7ais (I<\/em>e<\/sup><\/em> partie<\/em>) (173.703.875 tokens<\/em>) et NUNC Fran\u00e7ais (<\/em>II<\/em>e<\/sup><\/em>partie)<\/em> (122.145.251
\ntokens<\/em>)[5]<\/a>, nous avons cr\u00e9\u00e9 des sous-corpus sp\u00e9cialis\u00e9s :<\/p>\n