Corpus d’arabe parlé (1) : Quels corpus d’arabe parlé en libre accès ?

Groupe ARAPI : Véronique Traverso, Catherine Pinon, Loubna Dimachki, Lina Choueiri

Le projet ARAPI, ARAbe Parlé en Interaction vise l’établissement d’une convention de transcription de données orales et son application pour la réalisation d’un corpus d’arabe moyen-oriental parlé. Le projet est conduit par un groupe de chercheurs (Groupe ARAPI) de différentes institutions – l’Ifpo Beyrouth (Catherine Pinon, Véronique Traverso), Université Libanaise – Centre des sciences du langage et de la communication (Moustafa Al-Hajj, Loubna Dimachki), Université Américaine de Beyrouth (Lina Choueiri), laboratoire ICAR (UMR 5191) à Lyon (Carole Etienne), laboratoire SEDYL (UMR 9292) à Paris (Stefano Manfredi), Laboratoire LLL (UMR 7270) à Orléans (Layal Kanaan). Il a bénéficié de financements de l’Ifpo, du Labex ASLAN (Lyon) et de l’Université Libanaise.

Le projet se situe dans une approche interactionnelle, qui s’attache aux usages du langage en situation, considérant que la parole est centrale dans la réalisation des actions sociales. Pour ces études, le corpus et sa transcription revêtent une importance centrale, puisqu’ils doivent permettre de rendre visibles les éléments sur lesquels les participants aux interactions établissent leur interprétation de ce qui se passe dans les échanges, et plus généralement dans la situation concernée.

Une des premières étapes dans le projet ARAPI a été de faire un tour d’horizon des bases d’arabe parlé librement accessibles sur internet. C’est l’objet de ce premier billet.

 

Soundwave, Jennifer Allen, 2014, CC-BY-NC-ND 2.0

1. Évolution des corpus de langue au cours de trente dernières années

C’est au tournant des années 1990 que les bases de données, écrites et orales, ont commencé à se développer, principalement pour l’anglais puis pour d’autres langues (on trouvera une mise en perspective des bases qui se sont développées au cours des années 1990 dans Bruxelles et al. 2009, et pour l’anglais, Renouf 2004). Le développement de ces bases a été favorisé par des incitations institutionnelles à mettre en place des corpus de langue (en France par exemple, au cours des années 2000, les appels de l’Agence Nationale de la Recherche et de la Délégation générale à la langue française et aux langues de France), dans lesquelles les chercheurs étaient appelés à “rattraper le retard” en réalisant de gros corpus qui soient mis à la disposition de la communauté scientifique. Ces initiatives ont porté leurs fruits. Ainsi les articles réunis dans Avanzi, Béguelin & Diémoz en 2016 présentent non moins de treize bases de données de français parlé, représentant des français de plusieurs régions de France, de Belgique, de Suisse, du Québec, d’Amérique, d’Afrique, des français non standard ainsi que des français d’apprenants.

Cette importance accordée aux corpus et aux bases de données a modifié sensiblement la façon de travailler sur corpus. Ainsi il n’est plus guère acceptable aujourd’hui pour un chercheur de construire son propre corpus (de thèse par exemple), sans penser aux questions juridiques et éthiques (autorisation de collecte, consentement éclairé), aux standards de mise en forme des données et des corpus, aux possibilités de partage des données par l’intégration dans une base de données, etc. La construction d’un corpus est, de la sorte, soumise à de nombreuses contraintes, puisqu’on attend que soient explicitées et rendues publiques toutes les étapes de la confection. En contre-point, s’élèvent aujourd’hui des voix pour formuler les dilemmes qui sont nés de ces nouvelles attentes et contraintes (Groupe ICOR 2016) ou faire entendre l’importance des “petits” corpus (corpus de thèse par exemple ou corpus pour l’étude d’un phénomène très restreint) (voir le numéro de la Revue Corpus consacré aux “petits corpus”, Danino 2018).

2. Le cas de l’arabe

Pour l’arabe, la situation a surtout commencé à évoluer au tournant des années 2010, notamment grâce au développement de corpus et d’outils pour le traitement automatique des langues. Pour l’arabe écrit, il existe aujourd’hui une série de corpus présentant une variété de sources (Coran, presse, romans, réseaux sociaux, etc.), qui documentent des usages d’arabe classique, standard moderne, scientifique ou littéraire (voir les inventaires présentés dans Zaghouani 2014, et sur le site personnel de A. Eddakrouri, https://sites.google.com/a/aucegypt.edu/infoguistics/directory/Corpus-Linguistics/arabic-corpora).

Comme c’est le cas pour la plupart des langues, l’arabe parlé est moins bien représenté que l’arabe écrit dans ces bases. Ce retard est dû au fait que la constitution de corpus partageables est beaucoup plus lourde pour l’oral, si l’on prend en compte toutes les étapes nécessaires : terrain et collecte, exigences éthiques et juridiques, complexité et lourdeur des procédures de transformation des données primaires – les enregistrements – en données secondaires, opérations qui soulèvent notamment des problèmes de conventions de transcription et de représentation graphique de l’oral (voir billet Corpus d’arabe parlé 2 et 3). L’essentiel de ces étapes se réalisant « à la main », l’ensemble représente un travail extrêmement long et minutieux.

3. Les corpus/bases de données d’arabe parlé disponibles sur internet

Nous avons cherché (septembre 2018) à identifier les bases de données d’arabe parlé auxquelles un utilisateur peut avoir accès sur internet, de façon gratuite. Plus précisément, nous avons cherché les ressources qui donnent accès à la fois aux données primaires (enregistrements avec fichiers sons ou vidéos) et aux données secondaires (transcriptions sous une forme ou une autre, graphie arabe ou phonétique, alignées ou non au signal). Nous avons exclu les corpus qui ne sont accessibles que sur la base de listes de mots, ou de concordances, à travers un outil de requêtes, ou à l’inverse les seuls enregistrements, quelle que soit par ailleurs leur valeur patrimoniale.

Étant donné la rareté de ce type de ressources, nous avons inclus dans l’inventaire qui suit des bases qui ne sont pas adaptées à des recherches sur le discours ou l’interaction, mais conçues pour d’autres types de recherches linguistiques notamment phonétiques et morpho-syntaxiques. Les ressources identifiées sont présentées ci-dessous par ordre alphabétique.

Le Arabic Learner Corpus (https://www.arabiclearnercorpus.com/corpus-use-en) contient des productions d’apprenants en Arabie Saoudite en 2012 et 2013 : des rédactions et des discussions enregistrées, sur les thématiques suivantes : ‘A   vacation   trip’ (récit)  et ‘My   study   interest’ (discussion). Les données orales représentent 7% du corpus.

Le Arabic Speech Corpus (http://en.arabicspeechcorpus.com/) est un corpus qui a été réalisé dans le cadre d’une thèse (N. Halabi, Université de Southampton). C’est un corpus d’énoncés en arabe syrien de Damas, enregistré en chambre sourde. Le corpus est transcrit et aligné texte-son (logiciel Praat). Il met à disposition les fichiers son, les transcriptions (phonétique et orthographique)  et les fichiers d’annotation (du niveau du phonème).

La base Corpafroas, A Corpus for Afroasiatic Languages, (http://corpafroas.tge-adonis.fr/), est une base de données de langues afro-asiatiques (chamito-sémitiques). Pour l’arabe, elle comporte des données en arabe marocain, arabe libyen et arabe de Juba au Soudan. Ce sont des narrations et des conversations, alignées texte-son (logiciels Praat et ELAN) et annotées prosodiquement et morphosyntaxiquement.

Le site CORVAM, Speech corpus of Maghrebi varieties (http://corvam.unizar.es/en/), documente les arabes du Maghreb (Maroc, Algérie, Tunisie, Libye), avec des données collectées dans plusieurs régions. Pour chaque point de collecte, l’utilisateur a accès à divers types de données : une brève description des traits les plus caractéristiques des dialectes et des références bibliographiques, un extrait audio (ou plus), accompagné de sa transcription, sa traduction en anglais, espagnol ou français, et les informations concernant les informateurs et l’enregistrement. La base donne aussi des informations sur les villes d’enregistrement, leur histoire et une documentation photographique.

La base de données LDC, Linguistic Data Consortium, dispose d’un ensemble de corpus d’arabe parlé (téléphone et média), provenant de différentes régions du monde arabe. L’accès à ces corpus est payant. Mais une partie d’un des corpus réalisés par le LDC, nommé CallHome, est déposé sur la Talk Bank (https://ca.talkbank.org/access/CallHome/ara.html) et librement accessible. Il s’agit d’une série d’appels téléphoniques, en arabe égyptien, transcrits et alignés texte-son (logiciel CLAN).

Le site VICAV, Vienna Corpus of Arabic Varieties (https://vicav.acdh.oeaw.ac.at/index.html), met à la disposition des usagers un ensemble de ressources sur les variétés d’arabe parlé, des ressources bibliographiques pour ces variétés (méthodes et grammaires notamment), une description des traits caractéristiques de ces variétés, et un extrait de transcription pour différentes régions, de l’ouest à l’est : Tunisie (Douz et Tunis) ; Égypte (Le Caire) ; Syrie (Damas) ; Iraq ( Bagdad) ; Turquie (Şanlıurfa).

Comme on le voit, les ressources sont encore très peu nombreuses. Bien des raisons peuvent expliquer cet état de fait, parmi lesquelles la difficulté à constituer des bases de données de ce type.

Cela montre, en tout cas, l’importance de mettre à disposition de la communauté scientifique des corpus en libre accès, aussi modestes soient-ils en quantité. On observe aussi que très peu des corpus disponibles sont alignés “son-transcription”, alors que c’est très majoritairement le cas aujourd’hui pour les corpus d’autres langues.

Bibliographie

  • Avanzi M., Béguelin M.-J., Diémoz F. (eds.). (2016). Corpus, 15, Corpus de français parlé et français parlé des corpus.
  • Bruxelles S., Mondada L., Simon A.−C., Traverso V. (2009). “Grands corpus de français parlé : bilan historique et perspectives de recherches”, Cahiers de Linguistique de Louvain, 32/2, 1-14.
  • Danino C. (2018). “Introduction”, Corpus, 18, Les petits corpus, mis en ligne le 03 juillet 2018, consulté le 21 septembre 2018. URL : http://journals.openedition.org/corpus/3099
  • Eddakrouri, A.    https://sites.google.com/a/aucegypt.edu/infoguistics/directory/Corpus-Linguistics/arabic-corpora.
  • Groupe ICOR (H. Baldauf-Quilliatre, I. Colón de Carvajal, C. Etienne, E. Jouin-Chardon, S. Teston-Bonnard, V. Traverso) (2016). “CLAPI, une base de données multimodale pour la parole en interaction : apports et dilemmes”, Corpus, 15, 165-191.
  • Renouf A. (2007). “Corpus Development 25 years on: from super-corpus to cyber-corpus ?”, in Facchinetti R. (ed.) Corpus Linguistics 25 Years on. Amsterdam: Rodopi, 27-49.
  • Zaghouani W. (2014). “Critical Survey of the Freely Available Arabic Corpora”, Workshop on Free/Open-Source Arabic Corpora and Corpora Processing Tools, https://arxiv.org/ftp/arxiv/papers/1702/1702.07835.pdf
Pour citer ce billet : Groupe ARAPI (Véronique Traverso, Catherine Pinon, Loubna Dimachki, Lina Choueiri), « Corpus d’arabe parlé (1) : Quels corpus d’arabe parlé en libre accès ? », Les Carnets de l’Ifpo (Hypotheses.org), le 30 octrobre 2018. [En  ligne] http://ifpo.hypotheses.org/8865

Liba Choueiri Lina Choueiri est linguiste et se spécialise dans la syntaxe comparative des dialectes arabes. Elle est professeur à l’AUB.

Loubna Dimachki Loubna Dimachki est professeure associée au Centre des Sciences du Langage et de la Communication à l’Université Libanaise. Elle travaille dans le domaine de l’analyse des interactions, comparaison français / arabe et malentendus interculturels.

Catherine Pinon Catherine Pinon est agrégée d’arabe. Spécialisée dans l’étude de la syntaxe de l’arabe contemporain et de la didactique de l’arabe langue étrangère, elle est associée à l’Ifpo depuis 2015.

Véronique Traverso Véronique Traverso est directrice de recherche au CNRS, spécialiste de l’analyse des interactions. Elle est en poste à l’Ifpo Beyrouth depuis septembre 2017


Vous aimerez aussi...

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.