corpus documentaire. Une collection artistique ou non artistique de documents (textes, photos, films, etc.) qui ont été rassemblés pour l’étude est appelée corpus. La littérature, la linguistique, la science, la philosophie (partie 1), etc. utilisent toutes des corpus.
La linguistique de corpus a du sens comme nom pour le sous-domaine de la linguistique qui se concentre sur les corpus. Il est lié à l’évolution de la technologie informatique, en particulier la construction de bases de données textuelles. CORPUS, une revue académique, publie des articles sur ce sujet depuis 2009.
Lorsque nous nous référons au « corpus » d’une langue, nous faisons référence à ses caractéristiques standard, telles que sa grammaire et sa syntaxe. C’est un usage courant d’opposer « corpus » à « statut », et ce contraste est vrai dans un large éventail de contextes. L’étude des politiques linguistiques révèle fréquemment ce type de désaccord.
Le corpus est un recueil de textes qui partagent un but. Les documents qui composent un corpus (tableau, extrait de texte, etc.) partagent tous une caractéristique commune. Le point commun entre eux peut être vu dans le sujet récurrent. Une méthode unique est requise pour le décodage.
Dans le domaine du traitement du langage naturel, les corpus jouent un rôle clé. Ils nous permettent de glaner un ensemble de données utiles pour l’analyse statistique.
En termes d’informations acquises, ils permettent d’extraire des motifs, et notamment la constitution de collections de n-grammes.
D’un point de vue théorique, ils offrent la neutralité essentielle à la vérification empirique en NLP. Ces données ne sont plus anecdotiques; Elle a été confirmée par le corpus. Par conséquent, on peut faire confiance aux corpus (s’ils sont correctement éduqués) pour aider les scientifiques à créer et à tester des hypothèses.
