TREMoLo : un corpus multi-étiquettes de tweets en français pour la caractérisation des registres de langue

Jade Mekki (1, 2) , Delphine Battistelli (3) , Nicolas Béchet (1, 2) , Gwénolé Lecorvé (4)

1 EXPRESSION - Expressiveness in Human Centered Data/Media
2 UBS - Université de Bretagne Sud
3 MoDyCo - Modèles, Dynamiques, Corpus
4 Orange Labs

Des registres tels que familier, courant et soutenu sont un phénomène immédiatement perceptible par tout locuteur d’une langue. Ils restent encore peu étudiés en traitement des langues (TAL), en particulier en dehors de l’anglais. Cet article présente un large corpus de tweets en français annotés en registres de langue. L’annotation intègre des marqueurs propres à ce type de textes (tels que les émoticônes ou les hashtags) et habituellement évincés dans les travaux en TAL. À partir d’une graine annotée manuellement en proportion d’appartenance aux registres, un classifieur de type CamemBERT est appris et appliqué sur un large ensemble de tweets. Le corpus annoté en résultant compte 228 505 tweets pour un total de 6 millions de mots. Des premières analyses statistiques sont menées et permettent de conclure à la qualité du corpus présenté. Le corpus ainsi que son guide d’annotation sont mis à la disposition de la communauté scientifique.

Mots clés: corpus annoté; CamemBERT; registres de langue; tweets.

Domaines: Informatique et langage [cs.CL]; Linguistique

Jade Mekki, Delphine Battistelli, Nicolas Béchet, Gwénolé Lecorvé. TREMoLo : un corpus multi-étiquettes de tweets en français pour la caractérisation des registres de langue. Traitement Automatique des Langues Naturelles, 2021, Lille, France. pp.237-245. ⟨hal-03265873⟩