Création et utilisation d’un corpus monolingue

A - CRÉATION DU CORPUS

· Aller sur l'Intranet du site de l’Université Lyon 2

· Cliquer sur Documentation

· Cliquer sur Bibliothèque électronique

• Choisir la base de données Factiva (lettres EF)
• Dans l’onglet « Recherche guidée », choisir les mots clés piratage et logiciel, la date « Au cours de l’année précédente » et lancer la recherche
• Dans l’onglet « Identifier les doublons », cocher le choix « Similaire »
• Sélectionner les titres 1 à 100 (icone rouge) et les télécharger (format de téléchargement : RTF, format article complet)
• Ouvrir le fichier avec Word, et l’enregistrer au format texte sous le nom piratage_logiciel_1.txt
• Désélectionner les titres 1 à 100, cliquer sur les 100 suivants et sélectionner les titres 101 à 200
• Répéter l’opération jusqu’à l’enregistrement de la totalité des résultats au format texte.

B - PRETRAITEMENT DU CORPUS (passage au format TXT)

· Ouvrir un nouveau document dans Microsoft Word

· Y insérer l’ensemble des fichiers enregistrés précédemment (NB : on peut choisir de compiler le corpus sous la forme de fichiers séparés).

· Enregistrer votre document sous le nom piratage, au format Texte Brut (Codage Windows).

· Supprimer les sauts de section (Ctrl-H ou Édition - Remplacer, puis Remplacer <^b> par <>)

· Remplacer toutes les occurrences de l'apostrophe par apostrophe+espace

· Enregistrer votre document et quitter Word

· Exemple de corpus constitué à partir des mots-clés piratage et logiciel : piratage-1.txt

C - UTILISATION DU CORPUS SOUS MONOCONC

• Lancer le concordancier Monoconc
• Charger votre corpus (File – Load Corpus files); la taille totale du corpus en mots s'affiche dans la barre d'état.
• Chercher les occurrences de vos mots-clés (Concordance - Search, ou Ctrl+S)
• Rechercher l'ensemble des formes du nom logiciel (singulier et pluriel) en utilisant la syntaxe : logiciel%
• Rechercher l'ensemble des formes du mot logiciel (nom et adjectif) en utilisant la syntaxe : logiciel*
• Dans le menu Frequency, choisir Frequency Options, puis sélectionner "Count all words" dans la partie de la fenêtre intitulée "Stop List Options"
• Dans le menu Frequency, choisir Collocate Frequency Data (Ctrl+F)
• Le tableau fournit la liste des mots les plus employés dans l'environnement du mot recherché, classés par fréquence descendante
• Télécharger la liste des mots vides
• Dans le menu Frequency, choisir Frequency Options, puis sélectionner "Content words only" dans la partie de la fenêtre intitulée "Stop List Options"
• Cliquer sur Edit
• Cliquer sur Load
• Charger la liste des mots vides
• Cliquer sur Close, puis sur OK
• Choisir de nouveau Frequency, Collocate Frequency Data (Ctrl+F) et observer le résultat
• Effectuer la recherche : logiciel% pirat?%
• Effectuer la recherche : cyber*
• Effectuer la recherche : hack*
• Dans le menu Sort, choisir Search Term, No Second Sort
• Trouver la requête permettant de sélectionner les emplois nominaux de « hack »

D - Pré-traitement préalable à l’étiquetage du corpus

• ouverture de Word (Fichier Nouveau ) et insertion du fichier piratage.txt
• enregistrement au format Texte brut sous le nom de piratage1.txt
• séparation des signes de ponctuations : 
• point paragraphe à espace point paragraphe
• point espace à espace point espace
• apostrophe à apostrophe espace
• virgule à espace virgule
• deux points à espace deux points
• point-virgule à espace point-virgule
• point d’interrogation à espace point d’ interrogation 
• point d’exclamation à espace point d’ exclamation
• parenthèse ouvrante à parenthèse ouvrante espace
• parenthèse fermante à espace parenthèse fermante
• guillemet à espace guillemet espace
• double espace guillemet à espace guillemet
• guillemet double espace à guillemet espace
• enregistrement du fichier

On peut également utiliser l’utilitaire ReplaceText et y importer un tableau de remplacement effectuant ces opérations (menu File Import Search/Replace Table).

E - Étiquetage à l’aide de Winbrill

Jeu d’étiquettes et exemples de textes étiquetés et lemmatisés.

Télécharger le fichier winbrill.zip

• Dans le menu Options, onglet Catégorisation, choisir le jeu de données inalf-lb5 puis Appliquer.
• Dans l’onglet Données, choisir la liste de jeux inalf-lb5 et cliquer sur OK
• Choisir « Catégorisation : état initial » et « Lemmatisation : pas de lemmatisation »
• Fichier Source : piratage1-5.txt (ne pas oublier l'extension du nom de fichier)
• Fichier résultat : piratage1-5pdd.txt (pdd = Parties Du Discours)
• Cliquer sur Lancer

• Ouvrir ensuite le fichier piratage1-5pdd.txt dans Word.
• Effectuer les deux remplacement suivants :  :pl par pl et :sg par sg
• Enregistrer le fichier

F - UTILISATION DU CORPUS ÉtiquetÉ SOUS MONOCONC

• Recherche des noms qualifiés par l'adjectif "logiciel"    *SBC?? logiciel*
• Recherche de toutes les formes verbales                            */V* (500)
• Relèvement du nombre maximal de résultats                      Alt C O - Max Search Hits 500 à 30 000
• Nombre d'occurrences de chaque résultat                          Alt Q A – Search Term
• Recherche des collocats de quelques verbes :
• télécharg*/V* Ctrl+F
• prot?g*/V* Ctrl+F
• perm*/V* Ctrl+F

Exemples de quelques erreurs d’étiquetage :

identifiant/V*

compte/SBCsg

ferme*/SBC*

Élimination des étiquettes à la visualisation : Display Suppress Part-of-speech

Analyse des patrons Nom-Adjectif au singulier

*/SBCsg */ADJsg

Alt Q A

Quels sont les autres noms que « propriété » qui sont qualifiés par l’adjectif intellectuel plus d’une fois dans le corpus ?

*/SBCsg intellectuel*/ADJsg

Alt Q A

Analyse des patrons Nom-Adjectif au pluriel

*/SBCpl */ADJpl

Recherche des collocats nominaux de certains adjectifs :

*/SBC?? musica*/ADJ??

 */SBC?? numérique*/ADJ??

Relever les simples cooccurrences, les collocations, les termes spécialisés.

Recherche des collocations Verbe - Adverbe  :

*/V* *ment/ADV

Recherche des Collocats verbaux de l’adverbe illégalement :

illégalement/ADV Ctrl+F

Noter les différences dans la syntaxe des verbes utilisés.