CoMeRe.org : corpuscomere

Accueil » Posts tagged 'corpora'

Tag Archives: corpora

Outil d’exploration corpus de Tweets

Julien Longhi, université de Cergy-Pontoise nous transmet cette information qui permet de faire des analyses sur des corpus de tweets CoMeRe, notamment :

  • Longhi, J., Borzic, B., Alkhouli, A.(2016). #Intermittent: constitution d’un corpus lié à un événement discursif controversé. In Chanier T. (ed) Banque de corpus CoMeRe. Ortolang.fr : Nancy. https://hdl.handle.net/11403/comere/cmr-intermittent
  • Longhi, J., Marinica, C., Borzic, B. & Alkhouli, A. (2014). Polititweets, corpus de tweets provenant de comptes politiques influents. In Chanier T. (ed) Banque de corpus CoMeRe. Ortolang.fr : Nancy. https://hdl.handle.net/11403/comere/cmr-polititweets

    ***************

    Avant la mise en ligne d’une application #Ideo2017 (http://ideo2017.ensea.fr/, dont le corpus sera ensuite hébergé sur le site du projet), un premier outil est déjà mis à disposition de la communauté pour le traitement de corpus de tweets:

    http://ideo2017.ensea.fr/outil-twitter/index.php

    Cette interface, développée dans le cadre d’un stage de M2 sciences du langage de Abdelouafi EL OTMANI dirigé par Julien Longhi, permet de faire des recherches dans les corpus Polititweets et #Intermittent, et de générer des sous-corpus spécifiques à ces recherches.

    En effet, le format XML-TEI des corpus nécessite une mise en forme pour le traitement dans les outils d’analyse des données textuelles, et nous avons pu constater des difficultés d’interopérabilité entre les pratiques des communautés de constitution de corpus, et d’analyse outillée des discours. Cet outil permettra donc une prise en main plus aisée par les usagers des logiciels mentionnés plus bas.

    Cet outil se présente comme un moteur de recherche. Il convient en premier lieu de choisir le corpus souhaité:

    capture-decran-2016-12-20-a-16-54-01-300x183
    Dans notre cas, nous choisissons Polititweets. L’utilisateur peut ensuite effectuer sa requête, par exemple « démocratie »:

    capture-decran-2016-12-20-a-16-54-39-300x243
    L’utilisateur peut choisir de faire une recherche dans tout le corpus, ou de se focaliser sur un compte twitter spécifique. En cliquant sur « Valider », les résultats apparaissent: contenu des tweets, auteur du tweet, support de production, et nombre de retweets:

    capture-decran-2016-12-20-a-16-54-57-300x221

    Le menu en haut de la page permet de produire des exports sur mesure pour 2 logiciels d’analyse de données textuelles, Lexico3 et Iramuteq:

    capture-decran-2016-12-20-a-17-03-24-300x47

    En choisissant par exemple Lexico3, sans nettoyer les liens, on obtient un corpus qu’il ne reste plus qu’à copier et utiliser pour une analyse dans le logiciel:

    capture-decran-2016-12-20-a-16-55-16-300x178
    En faisant de même avec Iramuteq, après analyse dans le logiciel, on obtient facilement par exemple l’analyse des similitudes, qui rend notamment compte des cooccurrences de « démocratie »:
    demo-300x165

    Cet outil constitue donc un premier pas vers l’application #Ideo2017: mise à disposition à la communauté, outil intuitif, aide à la constitution de corpus balisés grâce à la médiation de l’outil.
    Bonne consultation

Nouveau corpus de Tweets dans CoMeRe

Dans la banque de corpus CoMeRe (https://hdl.handle.net/11403/comere) hébergé par Ortolang, un nouveau corpus de Tweets sur les intermittents du spectacle vient d’être ajouté :

Longhi, J., Borzic, B., Alkhouli, A.(2016). #Intermittent: constitution d’un corpus lié à un événement discursif controversé. In Chanier T. (ed) Banque de corpus CoMeRe. Ortolang.fr : Nancy. [https://hdl.handle.net/11403/comere/cmr-intermittent]

Description

The corpus #Intermittent gathers tweets of 215 accounts identified as interested in the issue of the intermittents (contract/temporary workers from the entertainment industry). The Twitter accounts (twittos in French) have permitted the extraction of 586 239 tweets: the corpus is constituted by the 10876 tweets from these 58239 with the hashtag « intermittent ». The corpus has been converted to the TEI format within the framework of the project CoMeRe (Communication médiée par les réseaux, Network mediated communication) . The CoMeRe projet aims to gather different corpus that represent the forms of communication in French on the networks (Internet, phone, etc.), all structured and informed in the same way, diffused in open acces for research purposes. The CoMeRe projet has received the support of ORTOLANG (the French equivalent of DARIAH) and of the national consortium Written-Corpus (‘Corpus-écrits’) , subsection of Huma-Num.

Aperçu des journées « Médias sociaux et les corpus de communication médiée par les réseaux (CMR) « 

Les membres de CoMeRe ont organisé à Rennes du 23 au 24 octobre, avec les partenaires allemands, un symposium sur la thématique :
Social Media and CMC Corpora
ou
Médias sociaux et les corpus de communication médiée par les réseaux (CMR)

(site : symposium : http://ird-cmc-rennes.sciencesconf.org/
historique Tweet réalisé par Julien Longhi, qui donne une bonne idée de ce qui s’est passé
https://storify.com/jpoSRC/international-research-days-irds-on-social-media-a)

Ce diaporama nécessite JavaScript.

De ce rassemblement, ressort la nécessité de structurer une communauté internationale de chercheurs sur cette thématique, thématique qui concerne nos deux consortiums Corpus-écrit et IRCOM. Nous allons nous atteler à cette tâche de montage de dossier avec nos partenaires allemands.

Je voudrais ici remercier les membres du projet CoMeRe pour le travail de collaboration excellent accompli durant ces années, ainsi que le Consortium Corpus-écrits et ORTOLANG pour leur soutien essentiel.

Toute la base de corpus CoMeRe est en ligne !

7 corpus avaient déjà été mis en ligne fin 2014. 4 nouveaux corpus viennent les compléter en ce mois de juin 2015, grâce à l’excellent travail de collaboration entre les membres du projet CoMeRe, le LRL, le consortium Corpus-écrits et l’équipe de Ortolang.
Les 4 nouveaux corpus ont la particularité de porter sur des discussions Wikipedia ou des interactions multimodales en ligne. Le modèle Interaction Space ou TEI-CMC est maintenant entièrement instancié.

Voir la banque de corpus CoMeRe parmi les listes de corpus mis en ligne sur Ortolang :

banque de corpus CoMeRe sur Ortolang

banque de corpus CoMeRe sur Ortolang

le lien est ici : Corpus Ortolang

Tous les genres de corpus traités :
comere-genres
Tous sont accessibles et entièrement téléchargeables sur le site CoMeRe-Ortolang ici :
http://hdl.handle.net/11403/comere

Liste des corpus accessibles

  • Abendroth-Timmer, D., Bechtel, M., Chanier T. & Ciekanski, M. (2014). Corpus d’apprentissage INFRAL (Interculturel Franco-Allemand en Ligne). Banque de corpus CoMeRe. Ortolang.fr : Nancy. http://hdl.handle.net/11403/comere/cmr-infral
    1 200 blogs messages ; 273 546 tokens ; 26 participants.
  • Antoniadis, G (2014). Corpus de SMS réels dans les Alpes, smsalpes .In Chanier T. (ed) Banque de corpus CoMeRe. Ortolang.fr : Nancy. http://hdl.handle.net/11403/comere/cmr-smsalpes
    22 000 messages / SMS ; 449 000 tokens ; 359 participants.
  • Chanier, T. & Audras, I. (2015). Tridem06 corpus: intercultural competence in online exolingual group exchanges, occurring within multimodal synchronous and asynchronous environments, between 3 institutions. CoMeRe corpora repository. Ortolang.fr : Nancy. http://hdl.handle.net/11403/comere/cmr-tridem06
    nbparticipants=62 + 12 groups (tridems) ; This corpus contains a total of 4894 acts classified as follows: 2809 audio acts, 248 chat acts, 1058 production acts, 779 blog messages. It includes 184 594 tokens
  • Chanier, T. & Wigham, C.R. (2015). Archi21 corpus: collaborative language and architectural learning in Second Life. Banque de corpus CoMeRe. Ortolang.fr : Nancy. http://hdl.handle.net/11403/comere/cmr-archi21
    nbparticipants=18 + 4 groups ; This corpus contains a total of 4811 acts classified as follows: 1690 audio acts, 669 chat acts, 2452 production (non verbal) acts. It includes 27 912 tokens
  • Chanier, T., Reffay, C., Betbeder, M-L., Ciekanski, M. & Lamy, M-N. (2015). Copéas corpus: online language learning within an audiographic environment. CoMeRe corpora repository. Ortolang.fr : Nancy. http://hdl.handle.net/11403/comere/cmr-copeas
    nbparticipants=16 + 2 groups ; This corpus contains a total of 15074 acts classified as follows: 7718 audio acts, 1566 chat acts, 5790 production acts. It includes 127228 tokens
  • Falaise, A. (2014). Corpus de français tchaté getalp_org. In Chanier T. (ed) Banque de corpus CoMeRe. Ortolang.fr : Nancy. http://hdl.handle.net/11403/comere/cmr-getalp_org
    5 Millions (M) textchat turns ; 72 M de tokens ; 53 000 participants.
  • Ledegen, G.(2014). Grand corpus de SMS smslareunion . In Chanier T. (ed) Banque de corpus CoMeRe. Ortolang : Nancy. http://hdl.handle.net/11403/comere/cmr-smslareunion
    12 622 messages / SMS ; 357 192 tokens ; 884 participants.
  • Longhi, J., Marinica, C., Borzic, B. & Alkhouli, A. (2014). Polititweets, corpus de tweets provenant de comptes politiques influents. In Chanier T. (ed) Banque de corpus CoMeRe. Ortolang.fr : Nancy. http://hdl.handle.net/11403/comere/cmr-polititweets
    34 273 messages / tweets ; 567 851 tokens ; 205 accounts.
  • Poudat,C., Grabar , N. Kun, J. & Paloque-Berges, C. (2015). Corpus wikiconflits, conflits dans le Wikipédia francophone. In Chanier T. (ed) Banque de corpus CoMeRe. Ortolang.fr : Nancy. http://hdl.handle.net/11403/comere/cmr-wikiconflits
    7 conflictual topics ; 3971 contributors ; 4456 posts / contributions in discussions ; 489 000 tokens in discussions (articles not counted) ; 330 Mo (7 sub-corpora zip)
  • Reffay, C. Chanier, T. Lamy, M.-N. & Betbeder, M.-L. (2014) Corpus d’apprentissage Interactions Simuligne (Simulation en ligne en apprentissage des langues). In Chanier T. (ed.) Banque de corpus CoMeRe. Ortolang.fr : Nancy. http://hdl.handle.net/11403/comere/cmr-simuligne
    11 506 messages (emails, discussion forum, texchat) ; 600 348 tokens ; 67 participants.
  • Yun, H. & Chanier, T. (2014). Corpus d’apprentissage FAVI (Français académique virtuel international). Banque de corpus CoMeRe. Ortolang.fr : Nancy. http://hdl.handle.net/11403/comere/cmr-favi
    7 780 textchat turns ; 77 605 tokens ; 31 participants.

Banque de corpus CoMeRE : son adresse – permalien

ORTOLANG vient de nous donner l’adresse de la banque de corpus CoMeRe :

http://hdl.handle.net/11403/comere

(l’identifiant 11403 correspondant à ORTOLANG)

A l’occasion de l’atelier TEI-CMC des journées DARIAH en septembre, l’équipe CoMeRe ouvre une première version de sa banque de corpus. Bien sûr l’intégralité des corpus sont à la fois organisés suivant des standards (ici TEI) et en accès libre (OpenData), avec des licences permettant de les réutiliser dans d’autres travaux de recherche (sinon à qui bon parler d’accès libre, lorsque le lecteur ne peut que consulter sans pouvoir réutiliser !).

Le site se met en place. Il faut donc le considérer comme étant dans une version provisoire : l’interface est susceptible de changer, les données seront transférées sur d’autres serveurs ORTOLANG. Mais l’intérêt du permalien (pour la banque de corpus, comme pour les autres permaliens de chacun des corpus développés par les membres du projet) est que ceux-ci ne changeront pas.

Donc les lecteurs peuvent venir voir, tout en étant indulgent pour cette version encore expérimentale. Les créateurs des corpus CoMeRe peuvent d’ores et déjà venir sur le site pour récupérer la référence de leurs oeuvres. Nous ferons plus tard une annonce officielle de l’ouverture de la banque de corpus CoMeRe. Avant la fin de l’année, d’autres corpus viendront s’y ajouter, dont des corpus de discussions Wikipedia et des corpus multimodaux.