Lemmatisation et annotation morphosyntaxique de corpus dialectaux dans
le cadre du TAL appliqué au corse


Des recherches ont été entamées au sein du programme Nouvel Atlas
Linguistique et ethnographique de la Corse - Banque de Données Langue
Corse (NALC-BDLC ; UMR CNRS 6240 LISA) autour du Traitement
Automatique des Langues (TAL) appliqué au corse. En effet, le corse,
langue en danger de disparition, entre dans le cadre des langues peu
dotées : il ne bénéficie donc pas encore d'outil qui permette des
apprentissages artificiels en capacité de produire une automatisation
des tâches de lemmatisation et d'annotation morphosyntaxique. En
outre, la complexité de ce travail est accrue par la variation
dialectale qui est une des caractéristiques des corpus textuels à
étiqueter, qu'il s'agisse de transcriptions de productions spontanées
(ethnotextes de la BDLC en particulier) ou de textes littéraires ou
non littéraires. Par conséquent, afin d'obtenir un module d'annotation
morphosyntaxique pour le corse, il est nécessaire, dans un premier
temps, de produire un corpus lemmatisé manuellement.

Les textes lemmatisés peuvent être exploités dans un concordancier,
qui permet d'effectuer des recherches en corpus en exploitant les
informations linguistiques placées dans les annotations (lemme, code
grammatical, codes flexionnels...). Le processus de lemmatisation
permet également la construction progressive d'un dictionnaire
électronique qui peut servir dans le cadre d'applications telles que
la correction orthographique.

La mise en place d'un processus de lemmatisation et sa réalisation
effective n'est cependant pas sans poser de multiples questions,
d'ordre très divers. C'est pour cette raison que les compétences à
maîtriser doivent être de niveau postdoctoral. Ainsi, il importe de
déterminer quelles sont les unités à annoter (mots simples, mots
composés, locutions, symboles...) et d'établir des choix en termes de
granularité dans la description linguistique (niveau de précision des
codes grammaticaux et flexionnels). Des réflexions, en résonnance avec
l'expérience de la BDLC, concernent le choix du lemme, en particulier
dans le contexte d'une langue non normée et qui présente plusieurs
variantes dialectales. D'autres questions se posent également tels que
le formalisme à adopter, les outils à utiliser pour l'assistance à la
lemmatisation ou encore les modalités permettant de garantir une
annotation cohérente et de haute qualité au cours du temps et sur
l'ensemble des annotateurs (s'il y en a plusieurs).

Cette bourse postdoctorale aura donc pour objet de contribuer à la
réflexion théorique sur la lemmatisation et l'annotation
morphosyntaxique de corpus dialectaux appliquée au corse mais aussi,
de façon plus pragmatique, de poser les jalons d'une sorte de guide
d'annotation. Celui- ci sera autant une précieuse ressource pour
guider les utilisateurs qu'un manuel à destination des annotateurs qui
travailleront au projet de lemmatisation pendant les prochaines
années.

Contact :

RETALI-MEDORI Stella, MCF HDR
medori_e@univ-corse.fr