Corpus - Historique des versions

Sardem FF7 le 6 février 2025 à 12:46

2025-02-06T12:46:01Z

← Version précédente		Version du 6 février 2025 à 14:46
Ligne 35 :		Ligne 35 :
	Le corpus utilisé pour la génération de la [[version 0.1]] est disponible {{dl\|donnees/corpus/corpus-johnix.zip\|ici}}.		Le corpus utilisé pour la génération de la [[version 0.1]] est disponible {{dl\|donnees/corpus/corpus-johnix.zip\|ici}}.

	D’autres corpus sont disponibles dans ce {{dl\|donnees/\|dossier}}.		D’autres corpus sont disponibles dans ce {{dl\|#donnees/\|dossier}}.

	==Base de donnée de corpus==		==Base de donnée de corpus==

Europano : Ajout de la catégorie "Méthodologie"

2023-03-27T13:28:11Z

Ajout de la catégorie "Méthodologie"

← Version précédente		Version du 27 mars 2023 à 15:28
Ligne 67 :		Ligne 67 :
	===Liens externes===		===Liens externes===
	Pour le traitement des corpus : [http://fr.wikipedia.org/wiki/Wikip%C3%A9dia:Fautes_d%27orthographe/Courantes liste de fautes d’orthographes courantes, directement en regexp] —		Pour le traitement des corpus : [http://fr.wikipedia.org/wiki/Wikip%C3%A9dia:Fautes_d%27orthographe/Courantes liste de fautes d’orthographes courantes, directement en regexp] —
			[[Catégorie:Méthodologie]]

Europano : Suppression des anciennes catégories

2023-03-26T19:55:53Z

Suppression des anciennes catégories

← Version précédente		Version du 26 mars 2023 à 21:55
Ligne 67 :		Ligne 67 :
	===Liens externes===		===Liens externes===
	Pour le traitement des corpus : [http://fr.wikipedia.org/wiki/Wikip%C3%A9dia:Fautes_d%27orthographe/Courantes liste de fautes d’orthographes courantes, directement en regexp] —		Pour le traitement des corpus : [http://fr.wikipedia.org/wiki/Wikip%C3%A9dia:Fautes_d%27orthographe/Courantes liste de fautes d’orthographes courantes, directement en regexp] —

	~~[[Catégorie:Bépo]]~~
	~~[[Catégorie:Corpus]]~~

Luffah : /* Caractéristiques d'un corpus */ ajout ordre de grandeur

2018-07-09T08:39:32Z

Caractéristiques d'un corpus : ajout ordre de grandeur

← Version précédente		Version du 9 juillet 2018 à 10:39
Ligne 15 :		Ligne 15 :
	Afin d’être pertinent, le corpus doit répondre le mieux possible à certains critères. En particulier, il faut qu’il soit:		Afin d’être pertinent, le corpus doit répondre le mieux possible à certains critères. En particulier, il faut qu’il soit:
	* '''représentatif de l’utilisation''' : c’est la première chose à prendre à compte : il est nécessaire de définir très précisément quel type de textes est représentatif de l’usage souhaité, et par extension quels types d’utilisateurs sont concernés par le projet ;		* '''représentatif de l’utilisation''' : c’est la première chose à prendre à compte : il est nécessaire de définir très précisément quel type de textes est représentatif de l’usage souhaité, et par extension quels types d’utilisateurs sont concernés par le projet ;
	* '''long''': afin que tous les caractères, même les moins utilisés, puissent se voir attribués une fréquence d’occurrence (donc d’utilisation relative) de manière représentative, il faut que le corpus soit suffisamment long (~~''TODO : donner un~~ ordre de grandeur'') ;		* '''long''': afin que tous les caractères, même les moins utilisés, puissent se voir attribués une fréquence d’occurrence (donc d’utilisation relative) de manière représentative, il faut que le corpus soit suffisamment long (pour ordre de grandeur, on peut considérer la taille d'un dictionnaire ou d'une série encyclopédique) ;
	* '''non-homogène''' : il faut que le corpus soit le moins spécifique possible, pour éviter les biais dans la détermination des fréquences. Un texte qui ferait un usage anormalement intense d’un caractère conduirait sans doute à surestimer cette fréquence et, en relatif, à sous-estimer les autres. Au final, cela pourrait amener certains caractères peu utilisés à être trop bien placés au regard de leur fréquence d’utilisation, prenant la place de caractères plus fréquents dans d’autres spécimens de textes ;		* '''non-homogène''' : il faut que le corpus soit le moins spécifique possible, pour éviter les biais dans la détermination des fréquences. Un texte qui ferait un usage anormalement intense d’un caractère conduirait sans doute à surestimer cette fréquence et, en relatif, à sous-estimer les autres. Au final, cela pourrait amener certains caractères peu utilisés à être trop bien placés au regard de leur fréquence d’utilisation, prenant la place de caractères plus fréquents dans d’autres spécimens de textes ;
	* '''représentatif de la langue''' : un dernier point à prendre en compte est la conformité à la langue étudiée, notamment du point de vue typographique. Par exemple, il faut que le corpus utilisé intègre les guillemets à la française, qu’il soit grammaticalement et typographiquement correct (p. ex. : utilisation des lettres accentuées majuscules), etc. Un aperçu de ces « contraintes » est disponible dans une [http://www.academie-francaise.fr/langue/questions.html FAQ] de l’académie française.		* '''représentatif de la langue''' : un dernier point à prendre en compte est la conformité à la langue étudiée, notamment du point de vue typographique. Par exemple, il faut que le corpus utilisé intègre les guillemets à la française, qu’il soit grammaticalement et typographiquement correct (p. ex. : utilisation des lettres accentuées majuscules), etc. Un aperçu de ces « contraintes » est disponible dans une [http://www.academie-francaise.fr/langue/questions.html FAQ] de l’académie française.

A2 : /* top */fix nav

2016-11-29T05:40:48Z

top : fix nav

← Version précédente		Version du 29 novembre 2016 à 07:40
Ligne 1 :		Ligne 1 :
	{{navigation\|icone=Méthodologie.png\|Méthodologie~~\|{{PAGENAME}}~~}}		{{navigation\|icone=Méthodologie.png\|Méthodologie}}
	{{note\|type=attention\|Encore pas mal de choses sont à compléter sur cette page. Les informations qui y sont déjà présentes sont en majorité tirées de l’ancien wiki. Bien que pas mal de discussions aient eu lieu sur la liste de diffusion à ce sujet, très peu sont en rapport avec le corpus que l’on a finalement utilisé, et qui devrait être mis en ligne.}}		{{note\|type=attention\|Encore pas mal de choses sont à compléter sur cette page. Les informations qui y sont déjà présentes sont en majorité tirées de l’ancien wiki. Bien que pas mal de discussions aient eu lieu sur la liste de diffusion à ce sujet, très peu sont en rapport avec le corpus que l’on a finalement utilisé, et qui devrait être mis en ligne.}}

Skippy le Grand Gourou le 9 juin 2014 à 12:49

2014-06-09T12:49:31Z

← Version précédente		Version du 9 juin 2014 à 14:49
Ligne 69 :		Ligne 69 :

	[[Catégorie:Bépo]]		[[Catégorie:Bépo]]
			[[Catégorie:Corpus]]

ProfGra : « après que » est suivi de l’indicatif

2010-12-30T17:07:22Z

« après que » est suivi de l’indicatif

← Version précédente		Version du 30 décembre 2010 à 19:07
Ligne 30 :		Ligne 30 :
	Bien que la disposition fr-dvorak-bépo ait pour vocation d’être destinée à un usage générale, il faudrait néanmoins éviter que les utilisateurs basiques qui restent majoritaires soient pénalisés à cause de choix de placements de caractères principalement destinés au programmeur et qu’il n’emploieront probablement presque jamais.		Bien que la disposition fr-dvorak-bépo ait pour vocation d’être destinée à un usage générale, il faudrait néanmoins éviter que les utilisateurs basiques qui restent majoritaires soient pénalisés à cause de choix de placements de caractères principalement destinés au programmeur et qu’il n’emploieront probablement presque jamais.

	Pour ce faire, ces caractères « spéciaux » ne sont intégrés que tardivement au corpus, uniquement après que tous les autres symboles (lettres et autres) ~~aie été~~ déjà été disposés. Ainsi, ces caractères spéciaux n’influencent pas la disposition des symboles classiques tout en bénéficiant de l’étude de fréquence pour leur placement.		Pour ce faire, ces caractères « spéciaux » ne sont intégrés que tardivement au corpus, uniquement après que tous les autres symboles (lettres et autres) ont déjà été disposés. Ainsi, ces caractères spéciaux n’influencent pas la disposition des symboles classiques tout en bénéficiant de l’étude de fréquence pour leur placement.

	==Le corpus==		==Le corpus==

ProfGra : orthographe

2010-12-30T16:40:25Z

orthographe

← Version précédente		Version du 30 décembre 2010 à 18:40
Ligne 21 :		Ligne 21 :
	== Types de documents inclus dans notre corpus ==		== Types de documents inclus dans notre corpus ==

	Comme ~~définit~~ dans les objectifs, notre disposition sera orientée vers un usage général en informatique, il nous faut donc des documents qui ~~reflète cette~~ usage. Nous avons donc utilisé:		Comme défini dans les objectifs, notre disposition sera orientée vers un usage général en informatique, il nous faut donc des documents qui reflètent cet usage. Nous avons donc utilisé:
	* De textes littéraires ('''''TODO''': spécifier lesquels'')		* De textes littéraires ('''''TODO''': spécifier lesquels'')
	* Le contenu de page web (issues de Wikipédia).		* Le contenu de page web (issues de Wikipédia).

ProfGra : orthographe

2010-12-30T16:27:04Z

orthographe

← Version précédente		Version du 30 décembre 2010 à 18:27
Ligne 10 :		Ligne 10 :
	Thomas Tempé a élaboré un corpus pour étudier la [[fréquence des lettres]] de manière pertinente.		Thomas Tempé a élaboré un corpus pour étudier la [[fréquence des lettres]] de manière pertinente.

	Première étape dans la récolte de statistiques il est nécessaire de définir un corpus de texte sur lequel se baseront les différentes études de fréquence. C’est principalement du corpus ~~choisis~~ que dépendront les placements de ~~caractère~~. Il est de ce fait absolument nécessaire de le définir soigneusement.		Première étape dans la récolte de statistiques il est nécessaire de définir un corpus de texte sur lequel se baseront les différentes études de fréquence. C’est principalement du corpus choisi que dépendront les placements de caractères. Il est de ce fait absolument nécessaire de le définir soigneusement.

	== Caractéristiques d'un corpus ==		== Caractéristiques d'un corpus ==

ProfGra : utilisation de « d’une part d’autre part »

2010-12-30T16:25:52Z

utilisation de « d’une part d’autre part »

← Version précédente		Version du 30 décembre 2010 à 18:25
Ligne 6 :		Ligne 6 :
	De tels corpus ont déjà été élaborés mais aucun ne satisfait tout le monde ce qui a donné lieu à d’ignobles [[wp:Troll (Internet et Usenet)\|trolls]] sur la [http://if-gpl.insa-lyon.fr/cgi-bin/mailman/listinfo/dvorak-fr/ liste de diffusion]. En particulier, l’ordre des lettres, même les plus fréquemment utilisées, varie d’un corpus à l’autre : un texte technique parlant de wagons de train aura beaucoup plus de « w », un autre qui adresse le lecteur avec un vouvoiement aura beaucoup plus de z (« vous voyez ? »), un autre encore dont l’un des locuteurs s’appelle Loïs aura beaucoup plus de « ï », etc.		De tels corpus ont déjà été élaborés mais aucun ne satisfait tout le monde ce qui a donné lieu à d’ignobles [[wp:Troll (Internet et Usenet)\|trolls]] sur la [http://if-gpl.insa-lyon.fr/cgi-bin/mailman/listinfo/dvorak-fr/ liste de diffusion]. En particulier, l’ordre des lettres, même les plus fréquemment utilisées, varie d’un corpus à l’autre : un texte technique parlant de wagons de train aura beaucoup plus de « w », un autre qui adresse le lecteur avec un vouvoiement aura beaucoup plus de z (« vous voyez ? »), un autre encore dont l’un des locuteurs s’appelle Loïs aura beaucoup plus de « ï », etc.

	De plus, le clavier actuel (AZERTY) et des rumeurs donnant naissance à des controverses ont un impact sur la fréquence d’utilisation de certains symboles. Sur la plupart des claviers, les guillemets à la française (« ») sont bien moins accessibles que les guillemets anglais (") ; les majuscules accentuées sont difficiles à taper, et certains considèrent à tort qu’elles ne doivent pas être utilisées (voir à ce sujet [http://www.academie-francaise.fr/langue/questions.html la FAQ de l’académie française]; l’e-dans-l’o « œ » n’est pas accessible sur le clavier et n’est même pas reconnu dans l’encodage {{c\|Latin-1}} ([http://www.gutenberg.eu.org/pub/GUTenberg/publicationsPDF/25-andre.pdf Merci Bull!]). Enfin, tout le monde ne se donne pas toujours la peine de taper les accents, surtout quand ils sont difficiles d’accès.		De plus, le clavier actuel (AZERTY) d’une part et des rumeurs donnant naissance à des controverses d’autre part ont un impact sur la fréquence d’utilisation de certains symboles. Sur la plupart des claviers, les guillemets à la française (« ») sont bien moins accessibles que les guillemets anglais (") ; les majuscules accentuées sont difficiles à taper, et certains considèrent à tort qu’elles ne doivent pas être utilisées (voir à ce sujet [http://www.academie-francaise.fr/langue/questions.html la FAQ de l’académie française]; l’e-dans-l’o « œ » n’est pas accessible sur le clavier et n’est même pas reconnu dans l’encodage {{c\|Latin-1}} ([http://www.gutenberg.eu.org/pub/GUTenberg/publicationsPDF/25-andre.pdf Merci Bull!]). Enfin, tout le monde ne se donne pas toujours la peine de taper les accents, surtout quand ils sont difficiles d’accès.

	Thomas Tempé a élaboré un corpus pour étudier la [[fréquence des lettres]] de manière pertinente.		Thomas Tempé a élaboré un corpus pour étudier la [[fréquence des lettres]] de manière pertinente.

Corpus - Historique des versions

Sardem FF7 le 6 février 2025 à 12:46

Europano : Ajout de la catégorie "Méthodologie"

Europano : Suppression des anciennes catégories

Luffah : /* Caractéristiques d'un corpus */ ajout ordre de grandeur

A2 : /* top */fix nav

Skippy le Grand Gourou le 9 juin 2014 à 12:49

ProfGra : « après que » est suivi de l’indicatif

ProfGra : orthographe

ProfGra : orthographe

ProfGra : utilisation de « d’une part d’autre part »

Europano : Ajout de la catégorie "Méthodologie"

Europano : Suppression des anciennes catégories

Luffah : /* Caractéristiques d'un corpus */ ajout ordre de grandeur

A2 : /* top */fix nav

ProfGra : « après que » est suivi de l’indicatif

ProfGra : orthographe

ProfGra : orthographe

ProfGra : utilisation de « d’une part d’autre part »