Annoter la parole spontanée en arbres de constituants pour les besoins de l’analyse temporelle : résultats et comparaison français parlé / français écrit

¹ LIFAT, Université de Tours, 41000 Blois, France
² LIFO, Université d’Orléans, 45000 Orléans , France
³ LLL, Université d’Orléans, 45000 Orléans , France
⁴ Institut für Sprache und Information, Heinrich-Heine-Universität, Düsseldorf , Allemagne

Résumé

Cet article présente les principaux résultats de la partie syntaxique du projet Temporal@ODIL, une initiative visant la construction d’un corpus de français parlé spontané annoté en temporalité. Nous présentons ici ODIL_Syntax, corpus arboré en constituants sur lequel s’appuie l’annotation temporelle et qui est diffusé librement sous licence Creative Commons. ODIL_Syntax a été créé à l’aide de Contemplata, une plateforme Web d’annotation développée spécifiquement dans le cadre du projet, diffusée elle aussi librement et qui présente l’intérêt de permettre une annotation semi-automatique utilisant un analyseur syntaxique. L’article décrit la procédure d’annotation avec cet outil, nos choix d’annotation ainsi que le corpus produit, en s’intéressant en particulier à une comparaison avec le corpus équivalent FTB (French Treebank) développé pour l’écrit.

Resumen

Constituency annotation of spontaneous speech for temporal analysis needs: results and comparison between spoken and written French. This paper presents the main results drawn from the syntactic part of Temporal@ODIL, a project whose objective is the construction of a temporally annotated corpus of spontaneous speech for French. We describe ODIL_Syntax, a freely distributed constituency treebank on which our temporal annotation is grounded. The syntactic annotation was performed on Contemplata, a Web-based annotation platform developed specifically for our project, which is also freely distributed and which integrates a syntactic parser, allowing a semiautomatic annotation. This paper gives a description of the annotation guidelines and the annotation procedure using Contemplata, as well as a statistical description of our corpus, compared with the French Treebank, the largest constituency-based resource for written French.