Thématique 2 : Données, méthodes et environnements numériques

La Thématique 2 – Données, méthodes et environnements numériques, co-dirigée par Mathieu Goux (Axe 1) et Antonina Bondarenko (Axe 2), regroupe les activités liées à la production, à la structuration, à la modélisation et à l’exploitation des données.

Cette thématique est issue d’une restructuration et d’une rationalisation de l’ancienne thématique « Recherche linguistique appliquée à des pratiques et à la production de ressources électroniques », pour mieux refléter la montée en puissance des approches outillées et leur rôle structurant dans les pratiques du laboratoire. Depuis la création du Dictionnaire Électronique des Synonymes (DÉS), pionnier pour la recherche synonymique en langue française, le CRISCO exploite les ressources numériques tant en appui des études conduites dans le cadre de la Thématique 1 « Formes, sens et usages en contexte », que comme objet de recherche propre.

En ce sens, la Thématique 2 s’organise autour de deux axes : A1, « Production et édition numérique de corpus » ; et A2, « Modélisation et exploitation des données ». Cette thématique réunit ainsi à la fois la production de ressources adossée à des questions de recherche spécifiques, dans une perspective relevant de la linguistique de corpus ou des humanités numériques, parfois en association avec la MRSH et le Pôle Document Numérique ; et le développement de méthodes de modélisation, d’annotation et de visualisation des données à des fins d’analyse quantitative ou qualitative.

Les deux axes étant étroitement articulés, de nombreux projets contribuent à l’un comme à l’autre ; chacun est présenté ci-dessous selon son apport principal : la constitution d’une ressource réutilisable (A1) ou le développement d’une méthode d’analyse ou de modélisation des données (A2), avec, le cas échéant, un renvoi vers l’autre axe. Des journées d’étude sont organisées régulièrement pour présenter les nouvelles ressources, les développements méthodologiques et les nouveaux projets liés à cette thématique, et favoriser ainsi les collaborations et les synergies entre les équipes de recherche.

Plan de la page

Axe A1 – Production et édition numérique de corpus

Cet axe rassemble la constitution, l’édition, l’enrichissement (notamment l’annotation) et la mise à disposition de ressources numériques réutilisables : dictionnaires, corpus écrits, oraux et multimodaux, archives, éditions numériques de textes. Il s’agit notamment de fédérer et d’homogénéiser les ressources développées dans le cadre de différents projets de recherche, et de les mettre à disposition de la communauté universitaire comme du grand public.

Le Dictionnaire électronique des synonymes (DÉS)

Présentation générale

Créé en 1994, le Dictionnaire Électronique des Synonymes (accès direct)  est un moteur de recherche permettant de trouver facilement les synonymes de plus de 50 000 entrées, pour plus de 200 000 relations synonymiques réciproques.

Sa mise à jour régulière est notamment assurée par Laurette Chardon, Ingénieure du CRISCO, qui augmente et améliore la base de données, corrige les erreurs résiduelles et ajoute après étude les propositions des utilisateurs.

Des améliorations et modifications sont en cours : en particulier, (i) un travail sur l’ajout des catégories grammaticales et du « nettoyage » des relations synonymiques pour améliorer la finesse des résultats ; (ii) une interface graphique en refonte grâce aux équipes du CERTIC ; (iii) des procédures de visualisation d’espace sémantique en trois dimensions pour l’exploitation des données.

Le DÉS possède une collection HAL (70 publications) ainsi que de nombreux documents de présentation (vidéos, tutoriels, …) utilisés lors de la Fête de la Science et publie une lettre d’actualités, à laquelle il est possible de s’abonner pour être tenu au courant des mises à jour régulières du site.

Projet MULTIDES

Le projet MULTIDES, porté par Chris Smith en association avec les équipes du laboratoire, envisage d’étendre le champ de recherche du DÉS à la langue anglaise dans un premier temps, à d’autres langues par la suite. Des tests préliminaires ont été conduits, et devraient se poursuivre au cours des prochains mois et des prochaines années.

Portail TXM

Le laboratoire s’est doté d’un portail TXM, autorisant l’exploration textométrique de différents corpus. Le corpus ConDÉ (corpus de coutumiers normands) y est notamment disponible, ainsi que les versions bêta du corpus High-Tech (corpus de chroniques et traités historiques normands), de la partie française du corpus MICLE (corpus diachronique de textes juridiques), ainsi que le corpus CorAG, sur l’ancien gascon.

Projet CAENNAIS

Le projet CAENNAIS (Corpus Audio d’Étudiants Natifs et non-Natifs en InteractionS) est un projet pédagogique commencé en octobre 2023 et réalisé par une équipe de recherche constituée de membres du Laboratoire CRISCO et des masterants de l’Université de Caen Normandie.
Une mise à disposition d’une partie des données est prévue pour la fin 2026. Retrouvez-en les détails sur la page dédié.

Projet HIGH-TECH

Le projet HIGH-TECH, High-level text annotation across historical texts: improving semi-automatisation of big data management, porté par le CRISCO, est dirigé par Pierre Larrivée, il s’intéresse à l’importante tradition des chroniques normandes s’étendant sur six siècles. L’établissement d’une version numérique de ces textes est l’occasion d’optimiser la chaîne de traitement XML-TEI et d’annotation développée pour d’autres projets. En particulier, on entend faire avancer l’automatisation de l’annotation syntaxique et diffuser le protocole ainsi affiné pour accélérer son adoption par la communauté scientifique. L’ingénieur d’études du projet, Rayan Ziane, a présenté les tenants et aboutissants du projet au cours du conférence, dont on peut retrouver la vidéo ici. Le site d’interrogation a été déployé en novembre 2023, et est accessible à cette adresse. Voir également le protocole d’annotation du projet.

Projet VOVA

Le projet Vova (VOcal and Verbal Arts), développé par Catharine Mason, est une plate-forme d’échange et de valorisation à la croisée de la linguistique, de l’anthropologie, de la musique et de la littérature. Il rassemble des archives numériques de performances orales et chantées, notamment dans des langues autochtones menacées. Il propose également un standard d’encodage XML-TEI de leurs traits stylistiques, vocaux (liés à la voix) comme verbaux (liés aux mots), afin de permettre leur comparaison d’une langue et d’une tradition à l’autre.

Corpus parallèle anglais-russe pour l’étude des énoncés averbaux

Ce corpus parallèle et comparable d’environ 1,4 million de mots, constitué par Antonina Bondarenko (2019, 2021), réunit 32 textes de fiction réaliste des XIXe-XXIe siècles en anglais et en russe : des originaux dans les deux langues et leurs traductions multiples. Majoritairement composé de fiction dialoguée, il comprend également des sous-corpus de contrôle – théâtre et fiction narrative, traductions à partir du français – qui permettent de contrôler l’interférence du genre et celle de la langue source. Segmenté en phrases, aligné manuellement au niveau de la phrase et doté d’une annotation morphosyntaxique post-éditée, il permet l’identification précise et systématique des énoncés averbaux. Chaque phrase y étant classée comme verbale ou averbale, les énoncés averbaux peuvent être extraits quel que soit leur type (i.e. sans typologie définie a priori), puis analysés quantitativement comme qualitativement, dans une perspective contrastive comme monolingue. Son extension et sa mise à la disposition de la communauté scientifique sont envisagées dans le cadre du projet ABSENS, en cours de montage.

Voir aussi les projets de l’Axe A2 qui contribuent à l’axe A1 :

• Le projet Traitement automatique de textes versifiés, pour le corpus Malherbe (environ 20 000 poèmes et 140 pièces de théâtre au format XML-TEI).
• Le projet BREAKTHROUGH, pour les treebanks de variétés romanes peu dotées (français de Normandie et ancien occitan médiéval) qu’il constitue.
• Le projet AUTOMATED, pour ses deux collections de textes juridiques annotées syntaxiquement (textes normands du XIVe au XVIe siècle et textes en ancien gascon du XIIIe au XVe siècle), consultables en ligne.

Axe A2 – Modélisation et exploitation des données

Cet axe porte sur le développement de méthodes d’analyse de corpus et de modélisation des données (approches statistiques et distributionnelles, apprentissage automatique, visualisation), ainsi que sur l’élaboration de schémas d’annotation et l’automatisation, totale ou partielle, de leur application. Ces méthodes – nouvelles ou adaptées de méthodes existantes – sont mises en œuvre sur des corpus et des ressources constitués au sein du laboratoire comme ailleurs. Il s’agit de concevoir des outils et des procédures réutilisables afin de repérer, de quantifier et de représenter les phénomènes linguistiques, en lien étroit avec les questions de recherche de la Thématique 1.

Traitement automatique de textes versifiés

Le projet, porté par Richard Renault avec la collaboration de Stéphane Ferrari, propose un corpus de textes versifiés, des programmes d’analyse métrique et une base de données de relevés métriques générés automatiquement par ces programmes. Le corpus est au format XML-TEI et comporte environ 20 000 poèmes et 140 pièces de théâtre analysés. Le développement actuel du projet porte sur l’intégration d’un analyseur syntaxique afin de permettre le traitement de la convergence/divergence entre les unités métriques et la structuration syntaxique. Une première approche de cette problématique, fondée sur la ponctuométrie et sur la distribution des mots-outils, est également en préparation.

Analyse des décalages rythme/sens en poésie française

Ce projet, porté par Éliane Délente, également en collaboration avec Stéphane Ferrari, s’intéresse aux relations rythme / sens, et dans un premier temps, aux décalages tels que le rejet.

L’approche théorique se caractérise par : 1 – une analyse privilégiant les expressions elles-mêmes (métriques, prosodiques ou syntaxiques) à leur frontière ;  2 – un traitement temporel de l’information, unité après unité, progressivement, ce qui implique de rendre compte de légers ré-ajustement interprétatifs.

La méthode d’analyse se développe en deux temps :

1. À partir du corpus Malherbe, constitution de sous-corpus ciblés grâce à l’extraction automatique d’éventuels décalages en s’appuyant sur la distribution des signes de ponctuation. Deux auteurs sont en cours d’analyse : Boileau, bon représentant d’une tendance contraignante à éviter les décalages ; Chénier, (ré-)introducteur après le classicisme, de décalages parfois brutaux, souvent aussi, atténués. Ultérieurement, seront ajoutés : Hugo qui, dans une intention déclarée, multiplie ces décalages et Verlaine qui exploite systématiquement toutes sortes de décalages aux frontières extrêmes du cadre 6+6. Un travail est en cours pour améliorer l’automatisation en étudiant d’autres indices que les signes de ponctuation.
2. Élaboration d’une base de données de ces décalages. L’étude de leur force implique :
   • une description des paramètres à l’œuvre : période, genre, auteur, longueur métrique des vers, mètre, distribution dans la strophe, longueur rythmique du rejet, relations entre le rejet et son amont (contiguïté ou non du rejet avec le début, en amont, de son constituant ou de celui avec lequel il est le plus directement lié), relations entre le rejet et son aval (intégration ou non, dans son vers, de l’élément rejeté, et nature de l’intégration (syntaxique, prosodique, énonciative, sémantique, discursive, rhétorique, thématique, etc.)
   • un croisement de certains de ces paramètres.

Modélisation graphique des notices historiques du TLFi

Jacques François et Justine Reynaud (GREYC), en association avec Laurette Chardon et Mathieu Goux, portent ce projet depuis plusieurs années (voir « Pour un retraitement informatisé et dynamique des notices historiques du TLFi », Cahiers de lexicologie Varia, n° 117, 2020 – 2, p. 55-92 / J. François 2021, « Les fluctuations historiques de la polysémie lexicale ». Travaux de linguistique n°81, p. 57-98. Ed. De Boeck supérieur).

En relation avec l’ATILF, il s’agit de reprendre l’annotation des métadonnées des fiches historiques du TLFi afin de normaliser et de convertir les informations en un format exploitable. Cette modélisation débouchera sur plusieurs formes de visualisation des données, permettant d’observer graphiquement les évolutions sémantiques des mots de la langue.

À terme, ces données pourraient être versées à la base de données du DÉS pour compléter son volet historique / étymologique.

Projet VOLI

Le projet VOLI (Voices from Online Labour: Inequalities in Digital Earning Activities Across Countries) est un projet de recherche pluridisciplinaire de quatre ans, financé par l’Agence Nationale de la Recherche (ANR) et lancé en 2024. Dirigé par Paola Tubaro (CREST/CNRS), il s’intéresse à l’impact du micro-travail numérique — de petites tâches en ligne telles que l’enregistrement vocal, l’annotation de données ou la transcription — sur les inégalités sociales liées au genre, à la race et à la localisation géographique. Ce projet rassemble des spécialistes en sociologie, linguistique et intelligence artificielle afin d’étudier les liens entre les plateformes de travail en ligne et les inégalités sociales. Yaru Wu (Unicaen-CRISCO) est partenaire de ce projet. Le rôle de CRISCO porte sur l’analyse phonétique des variations dans la parole des micro-travailleurs. Cette analyse s’inscrit dans le volet méthodologique du projet, qui s’appuie sur les technologies de la parole et prévoit notamment le développement et l’évaluation de nouveaux outils de transcription automatique.

Projet BREAKTHROUGH

Porté par Pierre Larrivée, le projet BREAKTHROUGH (206-2027) est financé par le gouvernement français et est géré par l’Agence Nationale de Recherche (projet CaeSAR, référence ANR-23-EXES-0001). Les objectifs du projet sont :

• l’optimisation de l’annotation syntaxique semi-automatique des textes historiques en langues romanes ;
• la constitution et l’analyse de treebanks de variétés romanes peu dotées (français de Normandie et ancien occitan médiéval).

Le projet BREAKTHROUGH est conçu dans la continuité de projets de constitution et exploitation de corpus annotés calibrés par genre au laboratoire CRISCO depuis 2018 (EPELE, CONDE, MICLE, HIGH-TECH). Plus récemment, le projet AUTOMATED (2023-2025) s’est focalisé sur la construction de treebanks Universal Dependencies (UD).

Projet AUTOMATED

L’objectif du projet a été de développer un protocole d’adaptation des outils d’analyse syntaxique (parsing) pour le traitement de corpus en diachronie longue et de le tester pour l’annotation des données d’intérêt patrimonial. Dans le cadre du projet AUTOMATED, une procédure pour l’analyse syntaxique automatique, la correction des sorties du parsing automatique et le réentraînement de modèles en utilisant les outils existants librement disponibles a été élaboré. Un document détaillant un protocole adapté aux besoins des chercheurs en langues romanes a été mis à disposition de la communauté. Il s’agit d’un guide pratique pour les utilisateurs qui peut être appliqué sans compétences en informatique.

• Romanova, N., Larrivée, P., & Ziane, R. (2025). Procedure for semi-automatic parsing of Romance corpora (Version 1). Zenodo. https://doi.org/10.5281/zenodo.17737727

En outre, une version abrégée du protocole, accompagnée d’une introduction au formalisme d’annotation Universal Dependencies et un exercice pratique pour le parsing d’un texte en français, a été testée en 2024 et en 2025 auprès des étudiants de M1 en Sciences du Langage à l’université de Caen.

• Romanova, N., Larrivée, P., & Ziane, R. (2025, novembre 27). Introduction au parsing syntaxique automatique. Zenodo. https://doi.org/10.5281/zenodo.17728962

Le protocole a été mis en pratique lors de la constitution de deux collections de textes annotées syntaxiquement qui sont utilisables (1) pour la recherche en linguistique diachronique et (2) pour l’entraînement de modèles d’annotation syntaxique automatiques. Il s’agit, premièrement, d’une collection de textes juridique normands (du quatorzième au seizième siècle) et, deuxièmement, d’un corpus de textes juridiques en ancien gascon (du treizième au quinzième siècle). Les données sont consultables en ligne via la plateforme GrewMatch et les fichiers sont téléchargeables sur les dépôts GitHub du projet.

Identification automatique et analyse contrastive des énoncés averbaux

Ces travaux comportent trois volets méthodologiques : (1) l’identification automatique des énoncés averbaux, (2) celle de leurs multiples correspondances de traduction et (3) le développement d’une interface graphique dédiée à l’analyse contrastive (Bondarenko, 2021). Des études pilotes menées dans ce cadre ont révélé l’ampleur d’un problème de fiabilité dans le traitement automatique des énoncés averbaux, et ont permis d’établir une typologie d’erreurs qui faussent leur identification. À partir de cette typologie, une méthode d’extraction semi-automatique fiable a été conçue : évaluée sur un corpus pilote de 76 000 mots, elle atteint une F-mesure de 0,98 en anglais et de 0,99 en russe (précision et rappel compris entre 0,97 et 0,99).

Par ailleurs, une interface graphique pour l’analyse contrastive a été développée ; elle permet de rechercher les énoncés averbaux (identifiés de manière fiable, sans se limiter à des types définis à l’avance), de les visualiser avec leurs multiples traductions en contexte, de faire des requêtes sur des formes, des lemmes ou des catégories morphosyntaxiques dans ces énoncés comme dans leurs traductions, ainsi que de les annoter. Conçue pour l’étude des énoncés averbaux, elle se prête également à l’étude contrastive d’autres phénomènes linguistiques. L’interface est au service de la méthode contrastive multidirectionnelle sur corpus élaborée dans Bondarenko (2021), qui intègre les méthodes de la linguistique de corpus à l’approche contrastive de Jacqueline Guillemin-Flescher ; fondée sur l’analyse des traductions, cette approche met en évidence des contraintes sémantico-pragmatiques invisibles d’un point de vue monolingue.

Le projet ABSENS, porté par Antonina Bondarenko et en cours de montage, vise à améliorer ces outils afin de les mettre à la disposition de la communauté scientifique. Il s’agit notamment de perfectionner et d’automatiser davantage la méthode d’extraction, d’en évaluer la fiabilité à grande échelle, de poursuivre le développement de l’interface graphique pour l’analyse contrastive (en particulier sa fonctionnalité d’annotation), d’amorcer l’adaptation de la méthode au français et d’examiner la possibilité d’une architecture indépendante de la langue pour l’identification automatique des énoncés averbaux. Le projet prévoit également l’extension du corpus (voir l’axe A1).

Référence : Bondarenko, A. (2021). Verbless and Zero-Predicate Sentences: An English and Russian Contrastive Corpus Study. Thèse de doctorat en linguistique, Université Paris Cité. https://theses.hal.science/tel-03706573

DIAxASR

Projet issu du projet CAENNAIS. Chaîne semi-automatique de diarisation (identification de tours de parole) et de transcription, adaptée à l’oral spontané d’apprenants par le réentraînement progressif de modèles des outils automatiques (PyAnnote, Whisper).

Projet SPEAKCARE

Le projet SPEAKCARE (Speech and language modelling for caregiver training), porté par Yaru Wu dans le cadre du programme CaeSAR, vise à améliorer la communication dans les soins aux personnes âgées grâce aux outils de l’intelligence artificielle (IA) et aux apports de la
recherche en phonétique sur l’approche « Humanitude », développée par Y. Gineste et R. Marescotti. Cette approche repose sur une communication
globale, qui associe les dimensions verbale, visuelle et tactile, afin de favoriser la qualité de la relation entre les soignants et les personnes
soignées. Le projet porte plus particulièrement sur la dimension vocale de l’Humanitude. Il vise à comprendre comment les caractéristiques de la
parole des soignants contribuent à la qualité des interactions avec les personnes âgées et à identifier les paramètres vocaux qui favorisent une
communication adaptée et bienveillante. L’équipe est composée, pour la partie française, deYaru Wu, Unicaen- CRISCO (MCF, porteuse du projet SPEAKCARE CaeSAR AMI3) ; Jean-Luc Rouas, LaBRI/CNRS (Chargé de recherche au CNRS) ; Nicolas Audibert, U. Sorbonne-Nouvelle – LPP/CNRS (MCF HDR) ; Noemie Kegl-Tourneix, LaBRI & LPP (Doctorante) ; et pour la partie japonaise, de Takaaki Shochi, Shimonoseki City University (PR).

Projet EMERVA

Le projet EMERVA (Emerging varieties of Easy Language and embodied language awareness: Perspectives for socially inclusive AI), porté par Rea Peltola dans le cadre du programme CaeSAR, a pour objectif de mieux comprendre les différences entre le processus de simplification de texte par les humains et la production du langage FALC (facile à lire et à comprendre) par l’intelligence artificielle. Nous comparons les textes simplifiés par des élèves plurilingues du collège Stephen Hawking, Fleury-sur-Orne, aux versions FALC générées par un modèle de langage. Les textes proposés à la simplification présentent une complexité narrative (polyphonie, construction du sens basée sur l’expérience corporelle, jeu sur la matérialité de la langue…), et ils activent des cadres culturels et sociaux complexes (stylisation, humour, langages hybrides…). Le projet se concentre tout particulièrement sur la dimension incarnée de la conscience linguistique, notamment pour expliquer les différences entre les productions textuelles des humains et d’un modèle de langage.

Par ailleurs, le projet intègre un volet de science participative « Linguistes-en-herbe » proposé aux élèves du collège. Il vise à documenter les pratiques linguistiques et la diversité des répertoires des adolescents, et surtout à valoriser cette diversité comme une ressource éducative et sociale.

Projet PIAMOT

Le projet PIAMOT élabore un nouveau clavier informatique dédié à la frappe rapide. Un projet de collaboration avec les équipes, dans le cadre de la production et de la valorisation de corpus d’entraînement pour enrichir la frappe prédictive du logiciel, est en discussion.

Voir aussi les projets de l’Axe A1 qui contribuent à l’axe A2 :

• Le Dictionnaire Électronique des Synonymes (DÉS), pour ses procédures de visualisation de l’espace sémantique.
• Le projet Caennais, pour DIAxASR, sa chaîne semi-automatisée de diarisation (identification de tours de parole) et de transcription, adaptée à l’oral spontané d’apprenants par le réentraînement progressif de modèles des outils automatiques (PyAnnote, Whisper).
• Le projet HIGH-TECH, pour son protocole d’annotation syntaxique semi-automatique (aussi disponible sur GitHub).
• Le projet VOVA, pour son standard d’encodage XML-TEI des traits stylistiques vocaux comme verbaux des performances orales et chantées.

Projets arrivés à complétion

• Le projet Ressources linguistiques pour le finnois ;
• L’outil de synthèse vocale Kali sur l’anglais, le français et le wolof.
• Le projet ConDÉ, La constitution d’un droit européen : six siècles de coutumiers normands (lien)
• Le projet MICLE, Micro-indicateurs de l’évolution grammaticale (descriptif du projet, serveur GitLab)
• Le projet EPELE, L’écriture des peu lettrés : français vernaculaire dans la Normandie médiévale (lien)

Journées d’études de la thématique 2

Retrouver sur cette page le descriptif des journées d’études organisées par la thématique 2.