En réalité la théorie se base sur 2 types de corpus: le premier dit "annoté" et le second qui se doit d'étre sans erreur de grammaire.
Un corpus annoté c'est un texte dont chaque mot doit étre annoté (taggué en franglais). Par exemple dans la phrase: "je suis une vache", le mot "suis" sera annoté par "verbe conjugué à la premiere personne du singulier", le mot "vache" par "nom commun singulier feminin", etc...
Le problème de la construction de corpus annoté est qu'il faut obligatoirement le faire à la main (en tout cas, on ne peut faire qu'une infime partie du travail automatiquement avec des règles simples propres a chaque langue). Les gens qui effectuent se genre de travail n'ont pas vraiment envie de le fournir à tout le monde et de l'ouvrir (et c'est bien dommage pour nous).
On espère avoir des nouvelles du LIMSI (www.limsi.fr) qui travaille sur le traitement du langage naturel et qui donc est susceptible d'être en possession de ce genre de corpus.
Pour le second corpus j'en écrirait un peu plus long demain quand j'aurais dormit et évacuer mes 3 grammes.
[^] # Re: Oeuvres du domaine publique
Posté par maxapoil . En réponse à la dépêche GRAC 0.1a : vérificateur grammatical. Évalué à 7.
Un corpus annoté c'est un texte dont chaque mot doit étre annoté (taggué en franglais). Par exemple dans la phrase: "je suis une vache", le mot "suis" sera annoté par "verbe conjugué à la premiere personne du singulier", le mot "vache" par "nom commun singulier feminin", etc...
Le problème de la construction de corpus annoté est qu'il faut obligatoirement le faire à la main (en tout cas, on ne peut faire qu'une infime partie du travail automatiquement avec des règles simples propres a chaque langue). Les gens qui effectuent se genre de travail n'ont pas vraiment envie de le fournir à tout le monde et de l'ouvrir (et c'est bien dommage pour nous).
On espère avoir des nouvelles du LIMSI (www.limsi.fr) qui travaille sur le traitement du langage naturel et qui donc est susceptible d'être en possession de ce genre de corpus.
Pour le second corpus j'en écrirait un peu plus long demain quand j'aurais dormit et évacuer mes 3 grammes.