Search

FAIR data are the pillar of Open Science which is at the core of the SSHOC project. In order to ensure findability of data and other resources, it is crucial to provide easy-to-use recommendations for data citation in the SSH domains. At the SSHOC Workshop"Data Citation in Practice"Michel JacobsonandNicolas Larroussepresented the specifics of citing oral resources inFrench CoCoon Center.

International audience; Les Enquêtes sociolinguistiques à Orléans, que ce soit dans la version du corpus d’Orléans de 1968-71 ou dans celle du second corpus réalisé à partir de 2005, sont fondées sur l’importance du locuteur, en tant qu’agent socialement décrit et défini, dans l’analyse linguistique. Cet axiome de la linguistique variationniste pose toutefois des difficultés, parfois implicites, quand il s’agit de transformer une réalité sociale en corpus d’analyses linguistiques. Comment conserver et traiter les données qui définissent un locuteur dans un grand corpus numérique dont l’une des caractéristiques est de répondre à un objectif d’interopérabilité ? La question peut paraitre triviale, pourtant avant même de penser aux conditions d’une analyse outillée de données sociologiques et linguistiques, il convient de s’interroger sur les effets des procédures de gestion du corpus numérique.Cette communication vise à porter un regard réflexif sur les opérations de gestion des données des corpus ESLO dans le cadre de la conservation, la description et la mise à disposition par l’intermédiaire de la plateforme Cocoon dédiée aux corpus oraux.

This talk sets out the scientific goals and achievements of two collections hosted by the Cocoon Open Archive of oral resources: the Pangloss Collection, which mainly focuses on unwritten languages from all areas in the world ; and the AuCo Collection, which is dedicated to languages of Vietnam and neighbouring countries. The aim is to contribute to joint progress in language documentation and in research. Emphasis is placed on the perspectives for phonetic/phonological research that are opened by some recent achievements in the framework of these two Collections., La présente communication présente les projets scientifiques et les réalisations de deux collections hébergées par la plateforme de ressources orales Cocoon : la Collection Pangloss, qui concerne principalement des langues de tradition orale (sans écriture), du monde entier ; et la Collection AuCo, dédiée aux langues du Vietnam et de pays voisins. L'objectif est un progrès solidaire des recherches et de la documentation linguistique. L'accent est mis sur les perspectives ouvertes pour la recherche en phonétique/phonologie par certaines réalisations récentes dans le cadre de ces deux Collections.

Field linguistics and textual linguistics both work on written data. Field linguistics data is usually created through the analysis of oral recordings. The structure and the type of searches one may desire can be specific to aspects of sound or temporality. But apart from these few differences, the methods used to study this type of data have many points in common with those used in textual linguistics.To illustrate these common points, we will examine several cases of recurrent tasks in field linguistics: morphemic analysis and glossing. We will see how recourse to the study of segments contexts (words, morphemes) given by concordances, or recourse to the calculation of the frequency of use of these units can help to carry out these tasks, or even partially automate them.To finish, we will present a program designed to help gloss oral data by compiling, alongside the data, a lexicon of all the glosses already used. We will also examine how to use this tool to implement the methods cited above to optimize its usefulness for linguists., La linguistique de terrain et la linguistique textuelle travaillent toutes les deux sur des corpus écrits. Ceux de la linguistique de terrain sont en général issus d'analyses d'enregistrements oraux. La structure et le type de requêtes que l'on peut formuler à leur égard peuvent parfois être spécifiques de l'aspect sonore ou temporel. Mises à part ces quelques différences, les méthodes utilisées pour l'étude de ces corpus ont de nombreux points en commun avec celles utilisées en linguistique textuelle.Pour illustrer ces points communs, nous examinerons quelques cas de tâches récurrentes en linguistique de terrain : la segmentation et la détermination de gloses. Nous verrons notamment comment le recours à l'examen des contextes d'apparition de segments (mots, morphèmes) donnés par des concordances, ou bien comment le calcul des fréquences d'apparition de ces unités peuvent nous aider à effectuer ces tâches ou bien même à les automatiser en partie.Nous présenterons enfin un logiciel créé pour aider à gloser des corpus oraux en entretenant parallèlement au corpus, un lexique de toutes les gloses déjà utilisées. Nous examinerons également comment implémenter dans cet outil les méthodes citées plus haut pour optimiser l'aide apportée au linguiste.

We present a formal computerized model of a particular linguistic theory, functional phonology -- a theory which is often criticized precisely for its lack of formalization. This theory proposes on the one hand a general framework for the expression of phonological phenomena and on the other a model for a discovery procedure for phonological units. In formalizing this theory explicitly, we have arrived at (1) a formalism for the expression of data and hypotheses and (2) a computer program emulating the functionalist methods of phonological analysis.In the paper, we present the principal data structures used and the procedures which we have designed to process them. Methodological obstacles which we have faced in implementing the model are discussed., Nous présentons ici la formalisation informatique d'une théorie linguistique particulière (le fonctionnalisme) souvent critiquée justement par son absence de formalisation. Cette théorie propose non seulement un cadre général pour exprimer les phénomènes d'ordre phonologique mais aussi une modélisation de la démarche de découverte des unités linguistiques. Le travail d'explicitation de cette théorie a débouché 1) sur la mise en place d'un formalisme d'expression pour les données et les hypothèses 2) sur la conception d'un logiciel reproduisant ou assistant la démarche de l'analyse phonologique de cette école. Nous présentons dans ce papier les principales structures de données ainsi que les principales fonctions du logiciel qui y font appel. Nous essaierons enfin de relever les différents obstacles méthodologiques que nous avons rencontrés dans notre démarche de formalisation.

National audience

Viele Grundlagen - oder angewandte Forschungen beruhen zur Zeit auf der Auswertung von „Korpora der gesprochenen Sprache“ (geordneten Sammelwerken der Aufnahmen von mündlichen und multimodalen sprachlichen Produktionen). Dieses Handbuch der guten Praktiken entsteht aus der Erkenntnis von Sprachwissenschaftlern, die darauf bedacht sind, den Fortbestand der Quellen und einen verschiedenartigen Zugang zu den mündlichen von ihnen produzierten Produktionen zu sichern ; es schneidet zuerst die „Korpora der gesprochenen Sprache“ an, die von Sprachwissenschaftlern und für sie geschaffen und verwendet wurden. Die durch die Erschaffung und die dokumentarische Auswertung dieser Korpora hervorgerufenen Fragen trifft man aber in vielen Fächern : die Völkerkunde, die Anthropologie, die Soziologie, die Psychologie, die Demographie, die mündlich überlieferte Geschichte gebrauchen vor allem die verbale Befragung, die Aussage, das Interview, die Lebensgeschichte. Dieses Handbuch beruft sich auf das Verfahren der Sprachwissenschaftler, es stimmt aber mit den Beschäftigungen anderer Forscher überein, die Korpora der gesprochenen Sprache (z. B. in Sprachsynthese und -entzifferung) gebrauchen, auch wenn ihre spezifischen Bedürfnisse im vorliegenden Dokument nicht systematisch angeschnitten werden., De nombreuses recherches fondamentales ou appliquées reposent actuellement sur l'exploitation de "corpus de langue parlée" (recueils organisés d'enregistrements de productions langagières orales et multimodales). Ce manuel de bonnes pratiques est issu du constat de linguistes soucieux d'assurer la pérennité des sources et un accès diversifié aux productions orales qu'ils produisent ; il aborde d'abord les "corpus de langue parlée" créés et utilisés par et pour les linguistes. Or, les questions suscitées par la création et l'exploitation documentaire de ces corpus se rencontrent dans de nombreuses disciplines : l'ethnologie, l'anthropologie, la sociologie, la psychologie, la démographie, l'histoire orale utilisent surtout l'interrogation verbale, le témoignage, l'interview, le récit de vie. Ce manuel se réclame de la démarche des linguistes, mais il rejoint les préoccupations d'autres chercheurs qui utilisent des corpus de langue parlée (par exemple en synthèse et en décodage linguistique), même si leurs besoins spécifiques ne sont pas systématiquement abordés dans le présent document.

A brief description of the architecture of the Lacito Archive, an on-line archive of recordings with synchronized XML annotation for linguistic research. Brief introduction to the XML document structure, the metadata, and the client-server architecture giving access to the archive., Brève description du programme Archivage du Lacito (équipe de recherche du CNRS): mise en ligne de corpus d'enregistrements synchronisé avec des annotations pour la recherche linguistique. La structure XML des documents et des métadonnées ainsi que l'architecture du site qui permet leur interrogation sont décrites.

Aujourd'hui les données de la recherche sont produites nativement sous forme numérique ou proviennent de la numérisation de données analogiques. Paradoxalement, le numérique dissociant l'information de son support, il se révèle plus complexe à gérer et la prise de conscience de la difficulté à pérenniser cette nouvelle forme d'information est très récente. Dans le cadre de la mise en place d'une infrastructure pour les Sciences Humaines et Sociales par la TGIR Huma-Num, une organisation s'appuyant sur les ressources du CINES (Centre Informatique National de l'Enseignement Supérieur) a été mise en place pour assurer l'archivage à long terme des données produites dans ce domaine. A la suite d'une première étude, un projet pilote a porté sur les données orales jugées représentatives des différents cas de figure pouvant se présenter dans les SHS. Ce projet pilote s'est déroulé sur une période de deux ans et a nécessité une évolution du système d'archivage numérique du CINES afin de prendre en compte les spécificités métier des SHS. Parallèlement, un travail de coordination a été effectué avec le SIAF (Service Interministériel des Archives de France) pour tenir compte des aspects propres au statut d'archives publiques de ces données. L'organisation mise en place durant le projet pilote, conformément au modèle OAIS (Open Archival Information System - norme ISO 14721), est dorénavant opérationnel et représente un cas original d'archivage des données de la recherche en SHS.

Retours d'expériences sur la mise en oeuvre du standard d'échange de données pour l'archivage (Seda). Les différentes révisions du standard jusqu'à la publication de la norme Z 44-022 ou Medona (Modélisation de données pour l'archivage)

National audience

"Corpus de la parole" is a collaborative project between the Ministry of Culture of France and the CNRS, which aims to build a collection of resources on French and other languages of France. A Web site provides an editorialised access to this collection. This article presents the main points of the organization of this program: the data collection, the access, dissemination and sustainability aspects of the digital data., Le programme « Corpus de la parole » est un projet en collaboration entre le ministère de la Culture et de la Communication et le CNRS qui vise à constituer une collection de ressources orales sur le français et les langues de France. Un portail Web offre un accès éditorialisé à cette collection. Cet article présentera les points principaux de l'organisation de ce programme, de la collecte des corpus aux aspects de pérennisation en passant par l'accès et la diffusion des données numériques.

International audience

International audience

The history of preservation of oral corpora is strongly linked to the history of the technical issues for his capture. In the last century, these issues have advanced greatly until an upheaval brought by digital technology, computer tools and networks.After a brief presentation of the current state of the art, we present a set of new and old concerns in the preservation and dissemination of oral corpora. We illustrate our point with the example provided by the Centre de Ressources pour la Description de l'Oral (CRDO1), centre newly created by the CNRS to ensure the sharing of oral corpora within the scientific community, L'histoire de la conservation de l'oral est fortement liée à l'histoire des techniques utilisées pour sa capture. Ces dernières ont fortement évoluées au cours du siècle dernier jusqu'à un bouleversement récent apporté par les techniques numériques et par l'outil informatique. Après un bref exposé de la situation actuelle, nous présenterons dans ce qui suit un ensemble de préoccupations nouvelles et anciennes en matière de conservation et de diffusion de données orales. Nous illustrerons notre propos par l'exemple apporté par le Centre de Ressources pour la Description de l'Oral (CRDO), centre nouvellement crée par le CNRS pour assurer le partage de corpus oraux au sein de la communauté scientifique.

In linguistics or in phonetics, the speech corpora comprise, in general, two kinds of resources: speech recordings and annotations. Management tools of such corpora must be able to manage these two kinds of resources. We'll present here a survey of tools and formalisms used in the creation of such corpora. We'll also present some criteria allowing us to make a choice between them. We will conclude by the presentation of a model connecting two management tools: a software which makes phonetics analysis and a software which makes requests on a textual linguistic annotation. We will illustrate the use of this model in an example showing how to enrich an annotation by the automatic addition of values computed on the speech signal., En linguistique comme en phonétique, les corpus de parole comportent généralement deux types de ressources: les enregistrements et leurs annotations. Les outils de gestion de tels corpus doivent être capable de gérer ces deux types de ressources. Nous présentons ici une revue des outils et des formalismes utilisés pour la création de ces corpus. Nous présenterons aussi des critères pour nous aider a faire un choix parmis eux. Nous conclurons par la présentation d'un modèle connectant deux outils de gestion: un logiciel d'analyses phonétiques et un logiciel permettant de faire des requêtes sur des annotations linguistiques. Nous illustrerons l'utilisation de ce modèle par un exemple d'enrichissement automatique de l'annotation par des valeurs calculées par l'analyse du signal.

The goal of the LACITO linguistic archive project is to conserve and to make available for research recorded and transcribed oral traditions and other linguistic materials in (mainly) unwritten languages, giving simultaneous access to sound recordings and text annotation. The project uses simple, TEI-inspired XML markup for the kinds of annotation traditionally used in field linguistics. Transcriptions are segmented at the levels of, roughly, the sentence and the word, and annotation associated with different levels: metadata at the text level, free translation at the sentence level, interlinear glosses at the word level, etc. Time alignment is at the sentence (and optionally the word) level. To minimize in-house development and maintenance, the project uses standard software to the extent possible. Marked-up data is processed using widely-available XML/XSL/XSLT/XQL software tools, and displayed using standard browsers. The project has developed (1) an authoring tool, SoundIndex, to facilitate time-alignment, (2) a Java applet which enables standard browsers to access time-aligned speech, (3) XSL stylesheets which determine \"views\" on the data, and (4) a simple CGI interface permitting the user to choose documents and views and to enter queries. The paper describes these elements in detail. Current objectives are further development of the annotation with a view to linguistic research beyond simple browsing, and of a querying system (using a standard XML query processor) to exploit the annotated material.

Computer tools and formats for linguistic transcription and for the annotation of linguistic corpora are reviewed. Standardization of these tools and formats will facilitate the coding, exchange, and dissemination of information.A method of annotation for corpora of spoken language, developed as part of a program to archive linguistic field recordings, is presented as an example. The method relies as far as possible on emerging standards for structured text (XML, Unicode). Data formats for both sound and annotation and processing tools (editors, parsers, browsers) are discussed., Nous présentons ici une revue des différents outils et formalismes informatiques récents qui peuvent aider le linguiste à faire de la transcription, et plus généralement à faire de l'annotation sur des corpus de parole. La standardisation des ces outils et de ces formalismes facilite le codage, l'échange et la diffusion de l'information.Nous présentons à titre d'illustration une méthode d'annotation de corpus de parole mise au point dans le cadre d'un programme d'archivage d'enregistrements de terrain. Cette méthode utilise le plus possible les standards émergeants (Unicode et XML). Nous décrivons dans cet article à la fois la structure des données (enregistrements et annotations) et les outils de manipulation de ces dernières (parseurs, éditeurs, browsers, etc.).

Le standard d'échange de données pour l'archivage (Seda), pose les fondements d'une dématérialisation pour les processus d'archivage.

http://afas.mmsh.univ-aix.fr/Bulletin/Bulletin_AFAS_26.pdf; Cette présentation du projet "Archivage" du LACITO reprend celle exposée lors d'une journée d'étude de l'AFAS, à Paris, à la Bibliothèque nationale de France le 2 octobre 2003.Le programme Archivage assure la gestion des données issues des enquêtes de linguistique de terrain des chercheurs du laboratoire LACITO. Les 3 principaux buts sont : 1) Le sauvetage en vue de la pérennisation des données, 2)Leur diffusion, 3) La facilitation d'accès à ces données.

Les corpus oraux en linguistique (enregistrements et annotations de ceux-ci), tout comme pour n'importe quel autre type de document, demandent une gestion documentaire appropriée. Ces documents doivent être décrits le plus finement possible d'une part pour pouvoir être retrouvés lorsqu'ils seront mélangés à d'autres et catalogués dans de vastes entrepôts de données, d'autre part afin de permettre leur maintenance. Ces descriptions ne seront pérennes, voire maintenables à moyen termes que si elles ont été faites de manière standardisée voire normalisée. La distribution de ces documents doit aussi être normalisée de manière à ce qu'ils soient le plus facilement accessible par le plus grand nombre.L'open Archive Initiative, à l'origine mis en place pour faciliter l'interopérabilité des grands serveurs de pre-prints peut servir de modèle pour la définition d'autres archives de données: par exemple dans le domaine des corpus oraux.

International audience

28 pages; Speech corpora constructed in field linguistics are usually characterised by their small volume. They mostly concern little described languages, for which data are scarce. Field work also has its particularities, which means that recordings are closer to “spontaneous” than to laboratory speech. These characteristics influence the methods used for constituting and managing these corpora. To illustrate these specific methods, we will present a program for archiving field linguistics documents, aiming to preserve, perpetuate, normalise and circulate these documents. In particular, we will examine past and present formalisms and tools for managing corpora of this type. To finish, we will evoke some problems in organisation and law concerning the circulation of these resources.