Skip to content
Retour aux résultats

Linguistique de corpus

Introduite par
John Sinclair
Année
1980
Type
Empirical process pipeline
Famille
Empirical Linguistics

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La linguistique de corpus est l'étude du langage basée sur de vastes collections représentatives de textes (corpus) traitées par ordinateur.

Pionnière de cette méthode, John Sinclair et d'autres l'ont utilisée pour examiner les schémas d'usage linguistique réel grâce à l'analyse statistique, au concordancier et aux outils informatiques. La linguistique de corpus a transformé notre compréhension de l'anglais et d'autres langues, révélant des schémas de fréquence, des préférences de collocations et des variations de registre qui étaient auparavant cachés. Elle sert la linguistique théorique, l'enseignement des langues appliqué et le traitement automatique des langues.

L’intuition derrière la méthode

Un corpus linguistique est comme une vaste bibliothèque de discours et d'écrits réels, soigneusement sélectionnés et organisés. Plutôt que de s'appuyer sur des phrases inventées ou des observations isolées, les linguistes de corpus demandent à l'ordinateur de trouver toutes les occurrences d'un mot ou d'une expression, de compter les fréquences, de mesurer quels mots ont tendance à apparaître ensemble et de comparer les schémas entre différents types de textes (journaux versus romans, discours formel versus informel). Les schémas qui émergent à travers des millions de mots renversent souvent les hypothèses théoriques ou confirment les prédictions avec une rigueur quantitative.

Histoire

John Sinclair a été le pionnier de la linguistique de corpus dans les années 1960-1980, en créant le Survey of English Usage, puis le projet COBUILD. Le stockage numérique et la puissance de calcul ont permis une croissance exponentielle dans les années 1990-2000. Des corpus majeurs comme le British National Corpus, le Corpus of Contemporary American English et le jeu de données Google Books Ngram ont transformé le domaine. Aujourd'hui, les méthodes de corpus sont standard en linguistique, en études appliquées des langues et en TALN.

Quand l’utiliser

Utiliser la linguistique de corpus pour étudier les schémas d'usage linguistique réels, pour tester des hypothèses théoriques avec des données empiriques, pour comprendre la variation entre les registres et les dialectes, ou pour développer des ressources linguistiques pour des applications de TALN. Les corpus sont essentiels pour étudier les phénomènes de haute fréquence, la variation dialectale, le changement linguistique et la sémantique lexicale. Ils complètent les méthodes expérimentales et introspectives.

Limites et points d’attention

  • Les corpus sont des échantillons finis ; les phénomènes de basse fréquence peuvent ne pas être représentés adéquatement, et l'absence dans un corpus ne prouve pas qu'une forme est impossible.
  • L'annotation (étiquetage POS, analyse syntaxique) introduit des erreurs qui se propagent en aval. L'annotation manuelle est coûteuse ; l'annotation automatique est imparfaite.
  • Les résultats reflètent la composition du corpus (par exemple, les corpus écrits peuvent ne pas représenter le langage parlé de manière égale) ; les biais de sélection affectent les découvertes.
  • Les schémas de fréquence ne révèlent pas directement la compétence ; une haute fréquence peut refléter des facteurs de performance comme les conventions discursives plutôt que la structure grammaticale.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Fournit des preuves empiriques des schémas linguistiques basés sur l'usage réel, réduisant la dépendance à l'introspection et aux phrases inventées.
  • Permet l'analyse quantitative de la fréquence, de la collocation et de la variation sur de grands ensembles de données diversifiés.
  • Facilite la comparaison interlinguistique et inter-registre en utilisant des corpus standardisés et comparables.
  • Soutient la découverte de schémas (par exemple, préférences sémantiques, marqueurs de registre) qui seraient difficiles à prédire sans données.

Applications

  • Étudier les schémas de fréquence et d'usage des verbes à particule anglais (par exemple, 'put up with', 'run into') pour développer du matériel pédagogique classé par fréquence.
  • Analyser les schémas de collocation pour améliorer la traduction automatique en assurant que la sortie respecte les préférences naturelles de co-occurrence des mots.
  • Étudier le changement linguistique au fil du temps en comparant les fréquences de mots et les collocations dans des corpus diachroniques (par exemple, Google Books Ngram Viewer).
  • Documenter les langues en danger en construisant des corpus petits et spécialisés et en les analysant pour créer des dictionnaires et des grammaires.
  • Étudier la variation de registre en anglais (académique, actualités, conversation) pour comprendre comment le vocabulaire et la syntaxe diffèrent selon les contextes sociaux.

Comment ça marche

Comment ça marche

1

Compiler une collection vaste et représentative de textes (typiquement des millions de mots) sous forme numérique, en assurant la diversité des genres, des registres et des locuteurs/scripteurs.

2

Tokeniser (segmenter en mots), annoter avec des étiquettes de partie du discours, et éventuellement ajouter des annotations syntaxiques ou sémantiques (analyse syntaxique, reconnaissance d'entités nommées).

3

Utiliser un logiciel de concordancier pour extraire toutes les occurrences de mots ou d'expressions cibles, compter les fréquences, calculer les collocations et générer des listes et des distributions de fréquences.

4

Appliquer des méthodes statistiques (analyse de fréquence, tests du chi-carré, métriques de collocation) pour identifier les schémas, mesurer la force d'association et modéliser la variation linguistique.

5

Tirer des conclusions sur la structure du langage, les schémas d'usage, la variation dialectale et registrale, et valider les prédictions théoriques par des preuves empiriques.

Pièges courants

  • Supposer que la fréquence du corpus reflète directement l'acceptabilité grammaticale. Les schémas absents peuvent être marqués pragmatiquement plutôt qu'agrammaticaux ; la basse fréquence peut refléter le contexte discursif, pas l'impossibilité linguistique.
  • Ignorer les erreurs d'annotation et traiter les données étiquetées automatiquement comme l'étalon-or. Valider manuellement les annotations, en particulier pour les analyses critiques.
  • Sur-généraliser à partir d'un corpus à la langue en général. La composition du corpus est importante ; les résultats du British National Corpus peuvent ne pas se généraliser à l'anglais parlé dans d'autres régions.
  • Confondre corrélation et causalité dans les schémas de collocation. Deux mots peuvent co-occurrer fréquemment en raison du sujet (par exemple, 'neige' et 'hiver') plutôt que d'une dépendance sémantique ou grammaticale.

Questions fréquentes

Quelle doit être la taille d'un corpus ?

Cela dépend de votre question de recherche. Pour les phénomènes de haute fréquence (mots courants, types de phrases basiques), des dizaines de milliers de mots suffisent. Pour les phénomènes rares ou une variation détaillée, des millions de mots peuvent être nécessaires. Une bonne règle empirique : vous devriez avoir au moins 30 à 50 occurrences de votre phénomène cible pour une analyse statistique de base. Cependant, même de petits corpus spécialisés (quelques milliers de mots) sont précieux pour la documentation des langues en danger.

Qu'est-ce qu'un concordancier ?

Un concordancier est une liste de toutes les occurrences d'un mot ou d'une expression cible, généralement montrée en contexte (généralement une ou deux lignes de chaque côté). La cible est centrée pour un balayage facile. Les concordances révèlent les collocations (mots qui apparaissent régulièrement près de la cible), la variation de registre et les schémas syntaxiques. Les logiciels de corpus modernes génèrent des concordances avec des décomptes de fréquence et des options de tri.

Comment mesurer la force d'une collocation ?

Plusieurs métriques quantifient la force d'une collocation (association). L'Information Mutuelle (IM) mesure l'écart par rapport à la co-occurrence aléatoire ; le Rapport de Vraisemblance Logarithmique (LLR) est un test statistique ; le score T et le Delta-P mesurent l'association différemment. Aucune métrique unique n'est universellement la meilleure ; différentes métriques conviennent à différentes questions de recherche. Inspectez les fréquences brutes à côté des métriques pour éviter les artefacts où les collocations de basse fréquence montrent une association élevée par hasard.

Une preuve de corpus peut-elle prouver qu'une phrase est agrammaticale ?

Non. L'absence dans un corpus montre qu'elle est peu fréquente ou absente dans cette collection particulière, pas qu'elle est impossible dans la langue. Les phrases peuvent être rares en raison de contraintes pragmatiques ou discursives, et non de grammaticalité. Combinez les preuves de corpus avec des jugements d'acceptabilité, des données expérimentales et un raisonnement théorique pour tirer des conclusions sur la grammaticalité.

Méthodes associées

Sources

  1. Sinclair, J. M. (1991). Corpus, Concordance, Collocation. Oxford: Oxford University Press.

    Ouvrir la référence de la publication
    Copié.
  2. McEnery, T., & Hardie, A. (2012). Corpus Linguistics: Method, Theory and Practice. Cambridge: Cambridge University Press.

    Ouvrir la référence DOI
    Copié.
  3. Biber, D., Conrad, S., & Reppen, R. (2006). Corpus Linguistics: Investigating Language Structure and Use. Cambridge: Cambridge University Press.

    Ouvrir la référence de la publication
    Copié.