Outils pour utilisateurs

Outils du site


public:analyse_de_corpus_evs_avec_txm

Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Les deux révisions précédentes Révision précédente
Prochaine révision
Révision précédente
public:analyse_de_corpus_evs_avec_txm [2017/05/20 21:05]
slh@ens-lyon.fr
public:analyse_de_corpus_evs_avec_txm [2018/10/03 16:24] (Version actuelle)
slh@ens-lyon.fr
Ligne 7: Ligne 7:
 Dans la mesure où cette page est pour l'​instant publique, il est intéressant de veiller à ne pas trop désigner de personnes et de projets concrets. Dans la mesure où cette page est pour l'​instant publique, il est intéressant de veiller à ne pas trop désigner de personnes et de projets concrets.
  
-===== Toponymes de Paris =====+====== Toponymes de Paris ======
  
-==== macro NIndex ​====+===== Import du corpus =====
  
-La macro NIndex assiste ​le décompte de séquences de mots dans des corpus ​ou sous-corpus. Elle généralise la commande Index de TXM 0.7.8 à N requêtes CQL. Les séquences sont fournies dans un fichier d'entrée (paramètre <html><code>inputFile</​code></​html>​),​ au format général d'​une ​séquence ​par ligne. Trois formats ​de séquences sont proposés ​+Pour pouvoir utiliser l'​outil d'​annotation par concordances,​ il est nécessaire d'​importer ​le corpus ​avec le module d'​import XTZ+CSV qui prend des sources au format XML (le module d'​import XTZ+CSV et l'​annotation sont disponibles à partir ​de TXM 0.7.8) : 
-  * séquences de formes de mots (ou de forme de lemme ou de forme de posetc.) comme par exemple ​des séquences déjà repérées par TXM ou par un autre logiciel, exemple ​:<​code>​Cathédrale Notre-Dame + 
-rue de la Chanvrerie +  * lancer ​'Fichier ​Importer ​XML-XTZ+CSV' 
-...</code+    * pointer le répertoire des sources XML '​Paris_corrige'​ 
-  * séquences d'​expressions régulières sur les formes ​de motsexemple ​:<​code>​Tour.* +    * lancer l'​import en cliquant sur la flèche verte 
-rue|avenue|boulevard de la [A-Z].*+ 
 +===== Annotation du corpus ===== 
 + 
 +  * faire une concordance, ​par exemple ​de %%"​rue|avenue|boulevard"​%c ("​d[ue]|des|aux"​%c|"​de"​%c "​la"​%c)?​ [word="​[A-Z].*"​]%% ​:\\ {{:​public:​conc-rues.jpg?​800}} 
 +  * cliquer sur le bouton '​Annoter' ​(bouton crayon situé en haut à gauche ​de la concordance) 
 +    * saisir l'​identifiant ​de l'​annotation, par exemple ​'​id_rue_neuve'​ 
 +    * garder l'​option '​lignes sélectionnées'​ 
 +    * sélectionner les deux lignes correspondant à "rue Neuve" ​:\\ {{:​public:​conc-rues-annotation.jpg?​800}} 
 +  * cliquer sur '​OK'​ pour poser l'​annotation 
 +    * on voit que les pivots ont bien reçu l'​annotation : \\ {{:​public:​conc-rues-annotation-neuve.jpg?​800}} 
 + 
 +===== Enregistrement ​de l'​annotation ===== 
 + 
 +Une fois qu'on a cliqué dans une concordance sur le bouton "​Annoter",​ qui a une icone de crayon, pour lancer une session d'​annotation,​ il bascule en bouton "​Enregistrer les annotations"​ avec l'​icone crayon+disquetteCliquer sur le bouton crayon+disquette sauvegarde les annotations de la session courante, ce qui permet ensuite d'​exploiter les annotations par requêtes CQL. 
 + 
 +<​note>​La sauvegarde des annotations est un calcul encore assez long parce que TXM ré-importe en partie le corpus.</note
 + 
 +===== Exploitation ​de l'​annotation du corpus ===== 
 + 
 +Après la sauvegardeon voit que des structures '​span'​ sont disponibles avec le contenu des annotations dans leur propriété '​ref' ​: 
 + 
 +==== Extrait de la Description du corpus ==== 
 + 
 +<​code>​... 
 +Propriétés des structures (max 20 valeurs) 
 + 
 +doc 
 +  n (1) = 0. 
 +
 +  n (18972) = 0, 1, 10990, 10991, 10992, 10993, 10994, 10995, 10996, 10997, 10998, 10999, 2, 3, 4, 5, 6, 7, 8, 9. 
 +span 
 +  author (1) = sheiden. 
 +  date (1) = 2017-06-01. 
 +  end (2) = 3778, 5576. 
 +  n (1) = ""​. 
 +  ref (1) = id_rue_neuve. 
 +  start (2) = 3777, 5575. 
 +...
 </​code>​ </​code>​
-  * requêtes CQL, exemple :<​code>"​Cathédrale"​%cd "​Notre-Dame"​%cd 
-"​rue|avenue|boulevard"​%c "​de"​%c "​la"​%c [word="​[A-Z].*"​] 
-...</​code>​ 
  
-Dans les séquences de formes de mots et d'​expressions régulières ​sur les formes de mots, les formes et les expressions régulières sont séparées par un caractère espace (pour chercher une forme contenant un espace il faut utiliser une expression régulière exprimant ce caractère Unicode).+==== Concordance basée ​sur l'​annotation ====
  
-=== Types de séquences ===+Pour faire une concordance basée sur l'​annotation,​ on peut utiliser une requête ​de la forme suivante :\\ %%<​span_ref="​id_rue_neuve">​ []+ expand to span%% :\\ {{:​public:​conc-annotation-neuve.jpg?​800}}
  
-Le type de séquences interprété par NIndex est déterminé par le paramètre <​html><​code>​inputIsCQL</​code></​html>​. Si ce paramètre est sélectionné (vrai), les séquences sont interprétées comme des requêtes ​CQL ; sinon elles sont interprétées soit comme des formes soit comme des expressions régulières de formes en fonction du contenu de chaque ligne.+On peut utiliser 3 variantes de ce type de requêtes ​:
  
-Le paramètre <​html><​code>​inputWordProperty</​code></​html>​ permet de choisir la propriété de mot qui sera utilisée pour les recherches de séquences de formes ou de séquences d'​expression régulière de forme. Par exemple : +=== A===
-  * avec la valeur '​word'​ (par défautce seront les séquences de forme graphiques qui seront recherchées +
-  * avec la valeur '​frlemma'​ ce seront les séquences de formes de lemmes qui seront recherchées +
-  * avec la valeur '​frpos'​ ce seront les séquences d'​étiquettes morphosyntaxiques qui seront recherchées +
-  * etc. en fonction de l'​étiquetage des mots du corpus+
  
-=== Propriété ​de mot dénombrée ===+%%<​span_ref="​id_rue_neuve">​ []%% 
 +  * glose : pour ne chercher que le premier mot de la séquence annotée
  
-Le paramètre <​html><​code>​outputWordProperty</​code></​html>​ permet de choisir quelle propriété de mot sera utilisée pour réaliser le dénombrement des séquences trouvées. Par exemple : +=== B===
-  * avec la valeur '​frlemma'​ ce seront les séquences de formes de lemmes qui seront dénombrées +
-  * avec la valeur '​word'​ (par défautce seront les séquences de formes graphiques qui seront dénombrées +
-  * avec la valeur '​frpos'​ ce seront les séquences d'​étiquettes morphosyntaxiques qui seront dénombrées +
-  * etc. en fonction de l'​étiquetage des mots du corpus+
  
 +%%<​span_ref="​id_rue_neuve">​ []+ expand to span%%
 +  * glose : pour chercher tous les mots de la séquence annotée
  
-=== Regroupement des décomptes par séquence ​===+=== C) ===
  
-Quand les séquences sont des requêtes CQL ou des expressions régulières,​ il est possible ​de regrouper les décomptes de leurs réalisations en sélectionnant le paramètre <​html><​code>​groupByQuery</​code></​html>​. Dans ce cas il y a une fréquence par séquence ​dans le tableau de sortie.+%%[_.span_ref="​id_rue_neuve"​]%% 
 +  * glose : pour chercher chaque mot de la séquence ​annotée
  
-=== Liste des corpus à interroger ===+Chacune ​des variantes aura son utilité selon l'​outil mobilisé, Concordance ou Index par exemple, et l'​objectif visé.
  
-Les corpus dans lesquels chercher sont soit sélectionnés dans la vue corpus (avant ​de lancer la macro), soit fournis sous la forme d'une liste de noms de corpus à l'appel de la macro par une autre macro.+==== Exportation ​de l'annotation ====
  
-=== Format ​de sortie ===+Après la sauvegarde des annotations,​ le corpus contient en lui-même les annotations indépendamment ​de l'​outil d'​annotation. On peut donc exporter ce corpus au format binaire (avec la commande '​Fichier > Exporter > Corpus au format binaire) dans un fichier .txm que l'on peut transmettre à un correspondant. Le correspondant charge alors le corpus binaire (avec la commande '​Fichier > Charger) puis exploite le corpus et ses annotations comme pour n'​importe quel corpus binaire.
  
-La macro NIndex écrit son résultat dans un fichier de sortie (paramètre <​html><​code>​outputFile</​code></​html>​),​ deux formats sont proposés : +==== Annotation d'un corpus annoté chargé ====
-  * ODS : format tableur Calc de Libre Office (extension .ods) +
-  * TSV : format texte tabulé TSV (caractère tabulation pour séparer les colonnes)+
  
-Remarque : dans TXM 0.7.8 ou inférieur, pour pouvoir écrire au format ODS il faut installer une librairie complémentaire au préalable : +Ceci n'a pas encore été beaucoup testé mais le correspondant peut à son tour annoter le corpus lui-même avec la contrainte actuelle qui est qu'il n'a pas le référentiel des annotations déjà réalisées sur le TXM d'​origine. Donc :
-  * télécharger la librairie [[http://​central.maven.org/​maven2/​org/​apache/​odftoolkit/​simple-odf/​0.8.1-incubating/​simple-odf-0.8.1-incubating.jar|simple-odf-0.8.1-incubating.jar]] +
-  * placer ​le fichier '​simple-odf-0.8.1-incubating.jar' ​dans le répertoire <​html><​code>&​lt;​répertoire utilisateur&​gt;/​TXM/​scripts/​lib</​code></​html>​ +
-  * quitter puis relancer TXM +
-  * la macro peut alors utiliser cette librairie+
  
-Quand le paramètre <​html><​code>​odsOutputFormat</​code></​html>​ est sélectionné la sortie ​se fait au format ODSsinon TSV.+  * a) il doit pouvoir ajouter des annotations,​ qui doivent ​se conformer ​au système d'​étiquettes d'​origine (mêmes noms) si on veut pouvoir faire une exploitation conjointe des annotations d'​origines et des nouvelles annotations 
 +  * b) il peut peut-être corriger des annotations d'​origineen se conformant au système d'​étiquettes d'​origine pour les mêmes raisons que précédemment
  
-La sortie au format tableur est composée de deux feuilles : +Comme nous n'avons pas encore fait de tests dans ce domainenous serions intéressés d'​avoir des retours d'​expérience. 
-  * feuille principale (Sheet1) : contient le tableau des décomptes avec les colonnes suivantes : +Il faudra qu'on prévoit d'​exporter les référentiels ​(jeux d'​étiquettesdans les corpus binaires.
-    * **corpus** : nom du corpus, au format chaine +
-    * **word query** ou **CQL** : la requête de séquence, au format chaine +
-    * **word values** : les réalisations de la séquence, au format chaine (cette colonne ​n'est pas présente si le paramètre <​html><​code>​groupByQuery</​code></​html>​ est sélectionné) +
-    * **f** : la fréquence des réalisations ou de la requête si <​html><​code>​groupByQuery</​code></​html>​ est sélectionnéau format nombre entier +
-  * feuille de renseignement des résultats ​(properties: contient le tableau des paramètres du calcul avec les informations suivantes : +
-    * date : date de lancement de la macro +
-    * time : heure de lancement de la macro +
-    * machine : nom de la machine utilisée +
-    * user : identifiant de l'​utilisateur ayant lancé le calcul +
-    * macro : nom de la macro +
-    * valeurs des paramètres : corpora, inputFile, inputIsCQL, inputWordProperty,​ outputFile, odsOutputFormat,​ outputWordProperty,​ groupByQuery+
  
 +===== Notes 03/10/2018 =====
  
 +  * format de sortie PERDIDO
 +    * tests
 +  * exploitabilité des annotations PERDIDO
 +  * travailler sur des textes structurés et annotés avec PERDIDO
 +    * structurer en aval : annoter les structures dans TXM
 +    * structurer en amont : est-ce que TXM peut piloter les demandes à PERDIDO ?
 +  * nouveaux textes
  
 ===== Autres projets ===== ===== Autres projets =====
public/analyse_de_corpus_evs_avec_txm.1495307147.txt.gz · Dernière modification: 2017/05/20 21:05 par slh@ens-lyon.fr