Lexique transdisciplinaire (V1)

Lexique et phraséologie des écrits scientifiques

Agnès Tutin – LIDILEM – Mars 2013

Cette page contient quelques listes d’éléments du lexique trandisciplinaire : mots simples, collocations et segments répétés. Une extension de ce lexique a été élaborée dans le cadre du projet ANR Termith.

1. Corpus utilisés

Tous les éléments statistiques concernant le lexique (mots simples, collocations, segments répétés) sont extraits du corpus KIAP-LIDILEM constitué à partir du corpus KIAP et enrichi par la suite par le LIDILEM.

Le corpus contient de 2 millions de mots relevant de plusieurs genres d’écrits scientifiques du français (articles scientifiques, thèses, rapports, cours) dans trois disciplines assez différentes : la linguistique, l’économie et la médecine (Le tableau 1 indique le nombre de mots pour chaque type de texte). Le corpus d’articles scientifiques est extrait du corpus KIAP[1] élaboré par l’équipe de Kjersti Fløttum, de l’Université de Bergen.

Linguistique Economie Médecine
Articles de revues (corpus KIAP) 285 881 mots 374 516 mots 164 315 mots
Thèses, rapports, cours 364 812 mots 286 653 mots 492 173 mots
Total 650 693 mots 661 169 mots 656 488 mots

Tableau 1 : Corpus des écrits scientifiques

Le corpus a été lemmatisé avec le logiciel Cordial, développé par la société Synapse pour le repérage des mots simples transdisciplinaires. Il a été analysé avec Syntex pour l’analyse des collocations. Enfin, le corpus AntConc a été utilisé sur le corpus lemmatisé avec Cordial pour repérer les segments répétés de 3, 4 ou 5 mots.

2. Lexique transdisciplinaire des mots simples

A partir du corpus lemmatisé avec Cordial, des listes de mots par partie du discours (adjectif, nom, verbe) communes aux trois disciplines ont été établies.

La liste des adjectifs contient des adjectifs qui apparaissent au moins 15 fois dans chaque discipline. Ont été enlevés :

  • Les adjectifs pouvant être considérés comme des mots grammaticaux : autre, même, …
  • les adjectifs entrant toujours dans une expression figée : échéant dans le cas échéant.
  • les erreurs d’étiquetage manifestes (participes passés pris pour des adjectifs par exemple).
  • les mots polysémiques ayant de toute évidence des sens très éloignés dans les différentes disciplines.

La liste des noms a aussi été révisée manuellement. Elle contient les noms qui apparaissent au moins 15 fois dans chaque discipline. Ont été enlevés :

  • les noms entrant toujours dans une expression figée.
  • les erreurs d’étiquetage manifestes (adjectifs pris pour des noms par exemple).
  • les mots polysémiques ayant de toute évidence des sens très éloignés dans les différentes disciplines.

La liste des verbes contient les verbes qui apparaissent plus de 15 fois dans chaque discipline. Elle n’a pas été révisée.

3. Collocations transdisciplinaires

Le terme de “collocation” renvoie ici à des associations lexicales fréquentes mettant en jeu deux éléments linguistiques entretenant une relation syntaxique. Les relations syntaxiques ont été extraites à l’aide du logiciel Syntex, développé par Didier Bourigault à l’ERSS.

La liste des collocations de type Nom-Adjectif a été calculée à l’aide du logiciel Syntex. Nous avons retenu les associations qui apparaissaient au moins 5 fois, dans au moins deux disciplines différentes. Ont été enlevées les associations qui paraissaient renvoyer à de la terminologie ou à des erreurs d’étiquetage, ainsi que la plupart des ordinaux, cardinaux et adjectifs s’apparentant à des mots grammaticaux (autre, même). La liste des collocations de type Nom prep Nom a également été filtrée. Enfin, les collocations de type Nom_sujet-Verbe ou Verbe_Nom_complément ont également été filtrées.

4. Segments répétés

Les segments répétés sont ici des suites de 3, 4 et 5 mots qui apparaissent au moins quatre fois dans les trois disciplines. Le statut de ces segments est variable : expressions complètement figées (ex : c’est-à-dire), collocation (ex : mettre en relation), formule routinière (ex : en ce qui concerne), … La liste a été filtrée manuellement.

Bibliographie

Tutin, A. (2007). Traitement sémantique par analyse distributionnelle des noms transdisciplinaires des écrits scientifiques. Actes de TALN 2007. Communications affichées, 283-292.

Tutin, A. (2007). Modélisation linguistique et annotation des collocations : application au lexique transdisciplinaire des écrits scientifiques ». In S. Koeva, D. Maurel, M. Silberztein (Eds). Formaliser les langues avec l’ordinateur. Besançon, Presses universitaires de Franche-Comté.

Tutin A. (2007) (ed.). Lexique et écrits scientifiques. Revue Française de Linguistique Appliquée. Décembre 2007.

[1] ) KIAP : Kulturell Identitet i Akademisk Prosa. Cf. http://kiap.aksis.uib.no/. Nous remercions Kersti Flottum et son équipe de nous avoir autorisés à utiliser ce corpus.