CorpusSearch pour le corpus MCVF en ligne

Introduction

L'interface Web pour le corpus MCVF permet d'utiliser le logiciel CorpusSearch pour faire des recherches dans les textes annotés syntaxiquement afin de repérer des configurations syntaxiques d'intérêt ainsi que les éléments lexicaux dans les structures syntaxiques pertinentes.

Une demande de recherche possible pourrait être, par exemple, toutes les occurrences de sujets nuls dans les propositions subordonnées où la forme fléchie de l'auxiliaire 'avoir' précède l'objet direct. Une requête pour cette demande serait formulée ainsi. Le sommaire de la recherche obtenu serait le suivant. En plus, CorpusSearch donne toutes les propositions dans lesquelles le programme a trouvé la configuration spécifiée. Dans le cas discuté ici, ce sont les occurences de la structure du type demandé. Le sommaire de la recherche et les occurences relevées de la structure d'intérêt apparaissent sur la même page, le sommaire étant au-dessous de toutes les structures.

Faire une requête

La page pour créer une requête contient plusieurs boîtes avec des paramètres de recherche qu'il faut remplir pour obtenir le résultat. Ci-dessous on discute les paramètres de recherche un par un ainsi que les étiquettes et les expressions régulières qu'on peut utiliser pour créer des requêtes.

Fichier à consulter

La boîte qui se trouve sur la page de la requête permet de sélectionner les textes que l'on veut consulter. On peut soit faire une recherche dans tous les textes annotés syntaxiquement, soit sélectionner un texte particulier.

Arbre de la requête

Le logiciel CorpusSearch permet de trouver dans le corpus les configurations que l'utilisateur spécifie à partir de l'arbre de la requête. Dans l'arbre de la requête on peut:

• insérer les étiquettes morphologiques et syntaxiques dans les boîtes (=noeuds syntaxiques) de l'arbre;

• insérer les éléments lexicaux dans les boîtes de l'arbre de la requête;

• utiliser les expressions régulières — "!"(point d'exclamation),"|"(barre droite),"*"(étoile) et "."(point) — avec les étiquettes morphologiques et syntaxiques pour signifier "non", "soit ceci soit cela", "n'importe quel(s) symbole(s)" et "un symbole exactement" respectivement;

• manipuler le nombre de noeuds dominés par une étiquette en tapant soit sur "−" soit sur "+" près de la boîte désignante un noeud syntaxique. Le nombre maximum de noeud est de quatre;

• manipuler les relations de dominance entre les noeuds en choisissant dans la boîte ?DOM soit "iDom" pour désigner la dominance immédiate soit "Dom" pour désigner la dominance en général, qui inclut la dominance immédiate et la dominance non-immédiate.

• manipuler les relations de précédence entre les noeuds syntaxiques en choisissant dans cette boîte soit la relation de précédence immédiate ">>" soit la relation de précédence en général ">" qui inclut la précédence immédiate et la précédence non-immédiate. On peut aussi laisser la relation de précédence "libre". Dans ce cas-là, le noeud spécifié dans la boîte à gauche peut soit précéder soit suivre le noeud à droite.

Il y a quelques conventions qui distinguent le codage syntaxique dans MCVF des structures adoptées dans la plupart des approches syntaxiques et dont il faut tenir compte en faisant la requête. Notamment:

• La structure syntaxique n'est pas binaire dans le corpus, c'est-à-dire qu'un noeud peut dominer immédiatement plus que deux autres noeuds. Par exemple, le noeud NP domine immédiatement un syntagme adjectival, un nom commun et un syntagme prépositionnel, comme ici.

• Il n'y a pas de syntagme verbal. Par contre, les noeuds prépositionnels de type IP dominent immédiatement la catégorie morphologique verbale et le syntagme nominal objet, comme on peut le voir dans la structure trouvée par cette requête.

• "Syntagme nominal" domine immédiatement le déterminant ainsi que la catégorie morphologique "nominal" (NCS, NCPL, NPRS, NPRPL, voir la liste des étiquettes morphologiques plus bas), comme ici.

• Un adjectif projette un syntagme adjectival ADJP quand il suit le nom modifié, mais il est représenté comme simplement ADJ quant il le précède. La même chose s'applique aux quantifieurs.

  On peut trouver davantage d'informations sur les conventions quant aux structures particulières ici.

Domaine syntaxique à examiner

Dans cette boîte on indique le noeud qui va dominer la structure à laquelle on s'intéresse.

• Par exemple, si on indique IP-MAT, CorpusSearch va chercher dans toutes les propositions principales (des textes choisis) la configuration qu'on a spécifiée dans l'arbre de la requête. Par exemple, on peut indiquer NP-ACC (l'objet direct) comme le noeud le plus haut dans l'arbre de la requête. Dans ce cas le programme va éxaminer tous les NP-ACC dans les propositions principales ainsi que dans les propositions qui sont dominées par les propositions principales. Par contre, si on choisi IP-SUB comme le domaine à examiner, les NP-ACC dans les propositions principales seront ingorés car ils se trouvent à l'extérieur du domaine spécifié (IP-SUB).

• La spécification du domaine à examiner permet de se limiter aux contextes spécifiques. Par exemple, si on veut obtenir comme résultat tous les cas où un adjectif précède un nom commun au pluriel dans n'importe quel syntagme nominal dans le domaine de n'importe quelle proposition, on peut indiquer IP* (voir сi-dessous l'emploi de l'étoile dans les expressions régulières) comme le domaine à examiner. Les structures retrouvées vont ressembler à la structure suivante , obtenue à partir d'une requête appliquée au texte Anonyme.Sermon. Par contre, si on donne pour ce texte IP-SUB comme le domaine à examiner, on obtient une seule structure.

Expressions utilisées dans les requêtes

• Étiquettes morphologiques
• Étiquettes syntaxiques
  • Étiquettes de base
  • Étiquettes complexes (discours direct, dislocation à gauche etc.)
• Catégories vides et indices
• Expressions régulières
• Éléments lexicaux d'intérêt

Le sommaire d'une recherche

Le sommaire d'une recherche est présenté sous la forme d'un tableau de quatre colonnes où chaque rangée correspond à un texte examiné par CorpusSearch.

La première colonne correspond au nom d'un texte; la deuxième au nombre d'occurrences de la structure de l'arbre de la requête dans le domaine à examiner; la troisième colonne au nombre de propositions indépendantes (une structure qui ne fait pas partie d'aucune autre structure) dans ce texte dans lesquelles la structure en question est trouvée; et la quatrième colonne contient le nombre de mots dans le texte en question. Par exemple, si ce qu'on cherche est NP-ACC (l'objet direct) dans les propositions subordonnées, la deuxième colonne va contenir le nombre de propositions subordonnées qui contiennent NP-ACC. La troisième colonne va montrer le nombre de propositions indépendantes qui contiennent les propositions subordonnées en question. En général, le chiffre dans la deuxième colonne est plus élevé que celui dans la troisième colonne parce qu'une proposition indépendante peut contenir plus qu'une proposition subordonnée possédant la structure recherchée.

Étiquettes morphologiques

Ci-dessous se trouve la liste de toutes les étiquettes morphologiques utilisées dans le corpus MCVF dans l'ordre alphabétique. Ici on peut voir les conventions utilisées pendant le codage des textes.

Étiquettes syntaxiques

Catégories vides et indices

Expressions régulières

CorpusSearch pour MCVF en ligne permet d'utiliser plusieurs expressions régulières pour se référer aux éléments d'intérêt comme les catégories lexicales, morphologiques et syntaxiques.

Éléments lexicaux d'intérêt

CorpusSearch permet de chercher des éléments lexicaux particuliers. Si on n'est pas sûr de la catégorie grammaticale utilisée pour coder l'élément en question dans le Corpus, on peut faire une recherche préliminaire en indiquant dans l'arbre de requête que le nœud propositionnel doit simplement dominer notre élément, comme ici. Quand on connaît l'étiquette utilisée pour coder l'élément lexical, on peut faire une requête plus précise.