Corpus multimodal des apprenants en EMILE : constitution, traitements, outils

Depuis les années 2000 les logiciels de traitement automatique de langue (TAL) sont de plus en plus impliqués dans la recherche en linguistique de corpus (voir Tutin et al., s.d ; Rohlfing, 2006), ce qui permet notamment d’étudier l’interlangue (Selinker, 1972) au sein des corpus des apprenants (ex. corpus PAROLE , le projet Diderot-Longdale ). La contribution actuelle traite des défis méthodologiques lors de la constitution (transcription, standardisation) et de codage (pendant et après la transcription) du corpus multimodal des apprenants EMILE. Dans la première partie nous considérons les questions méthodologiques liées à la transcription. De nombreux chercheurs (Granger et al., 2015 ; Benazzo et Watorek, 2021) soulignent la difficulté de la transcription des données orales, le processus étant très chronophage. Au-delà du choix de type de transcription - manuelle ou assistée - le chercheur est confronté aux défis d’exhaustivité de transcription (que transcrire ?) ou de segmentation du flux de parole en unités de sens (comment transcrire ?). Il est indéniable que les choix faits pendant la transcription influent le calcul du nombre de mots dans le corpus et par conséquent ont l’incidence sur les analyses effectuées ultérieurement. Comment concilier les contraintes de transcription et les exigences des conventions de transcription, comme CHILDES ? Dans la seconde partie nous traitons les défis méthodologiques liées au codage. L’interprétation du discours des apprenants peut être délicate lorsqu’il s’agit de catégoriser une erreur (voir Benazzo et Watorek, 2021). Quel codage attribuer aux mots ayant un sens multiple (ex. « right ») ou réalisés dans une graphie non-normalisée (ex. « chose ») ? Comment trouver un compromis entre le codage exhaustif et les contraintes des analyses quantitatives (la comptabilisation d’une erreur plusieurs fois), d’autant plus que le calcul des mots est différent en fonction du logiciel TAL utilisé ? Nous illustrons notre présentation avec des exemples tirés du corpus multimodal EMILE (voir le contexte ci-dessous). La présentation se termine avec une conclusion comprenant les éléments à prendre en compte lors de la constitution du corpus