Description des corpus
Les corpus ont été constitués à partir de deux sources distinctes :
Le Monde et la Wikipédia francophone. Pour chacun de ces corpus, nous avons identifié une petite dizaine de catégories communes (rubrique dans laquelle a paru un article du
Monde ou catégorie sous laquelle a été classé un article de la Wikipédia) dont nous donnons ci-dessous des représentants de chaque corpus.
Catégorie « SPORTS »
Concerne tous les articles traitant du sport (rencontres, résultats, personnalités).
Exemples
- Genre : Le Monde
- Adversaire de la France le 25 novembre à Paris, l'Argentine a de nouveau prouvé, avec sa victoire 25 à 18 face à l'Angleterre, qu'elle a grandement haussé le niveau de son jeu au cours des dernières saisons. Les Argentins se sont imposés en alliant une défense très engagée et la réussite de leur buteur Federico Todeschini (22 points marqués, dont un essai).
La défaite anglaise rend encore plus difficile la situation d'Andy Robinson, l'entraîneur du XV à la Rose, dont le palmarès, depuis sa prise de fonction en novembre 2004, n'est que de huit victoires sur vingt rencontres.
- Genre : Wikipédia
- Le Championnat de France de Handball de Division 2 masculin est l'antichambre de l'élite (Division 1). Ce championnat est organisé par la Ligue Nationale de Handball. Depuis 1997, le statut professionnel est de rigueur. La Division 2 compte 16 clubs. Avant 1997, la D2 existait, mais elle n'avait pas un statut professionnel. ...
Catégorie « INTERNATIONAL »
Concerne les articles traitant de sujets internationaux, de politique nationale (à l'exception de la politique française).
Exemples
- Genre : Le Monde
- PARIS. Christian Chesnot et Georges Malbrunot, otages depuis trois mois, jour pour jour, à la date du 20 novembre, ne seraient plus dans une zone « dangereuse » a affirmé, mercredi 17 novembre, le ministre des affaires étrangères, Michel Barnier. « L'indication que nous avons, que nous pensons juste, est qu'ils ont pu être déplacés d'une zone de combats, dangereuse, vers d'autres zones. Je ne peux pas dire plus que cela », a indiqué le ministre sur la chaîne d'information iTélé. ...
- Genre : Wikipédia
- Rafael Carrera, de son nom complet José Rafael Carrera y Turcios (1815 - 1865) était un homme d'État guatémaltèque.
Métis d'Indien et de Noir (zambo) et chef de la révolte contre la fédération des Provinces-Unies d'Amérique centrale, il fut élu président de son pays en 1844. Il gouverna de façon dictatoriale, s'appuyant sur les grands propriétaires terriens, les conservateurs et le clergé, et se proclama président à vie en 1854, conservant le pouvoir jusqu'à sa mort, survenue en 1865. ...
Catégorie « ART »
Concerne les articles portant sur l'art et la culture.
Exemples
- Genre : Le Monde
- Le mardi 7 novembre, la première pierre du Centre Pompidou de Metz sera posée en présence du ministre de la culture, Renaud Donnedieu de Vabres, du député et maire (UMP) de la ville, Jean-Marie Rausch, de Bruno Racine, président de l'institution qui ouvre ainsi une antenne hors-les-murs et de Laurent Le Bon, conservateur à Beaubourg, chargé du projet messin. Les architectes (les Japonais de Shigeru Ban et le Français Jean de Gastines) ont imaginé de fédérer des volumes et des espaces variés (au total 11 000 m2) sous une immense voilure. ...
- Genre : Wikipédia
- Denys Parsons est l'inventeur en 1975 d'une méthode de notation musicale imprécise mais extrêmement simple destinée à l'indexation des thèmes musicaux.
L'idée d'un dictionnaire des thèmes musicaux était apparue en 1948 quand Barlow et Morgenstern répertorièrent une dizaine de millier de morceaux au moyen de la notation littérale anglo-saxonne. Pour faciliter leur indexation, tous ces thèmes étaient transposés en ut majeur ou mineur. Cependant, la recherche d'un air était rendue difficile à cause des seize possibilités pour chacun des cas. ...
Catégorie « ÉCONOMIE »
Concerne les articles traitant d'économie et des entreprises.
Exemples
- Genre : Le Monde
- LE GROUPE PHARMACEUTIQUE français BioMérieux a annoncé, lundi 21 juin, sa prochaine introduction en Bourse sur le Premier Marché, à un prix indicatif compris entre 26,90 euros et 31,25 euros l'action. Cette opération est liée à la volonté de Wendel Investissement, le premier actionnaire minoritaire du groupe (29 %), de se désengager. La majorité du capital de l'entreprise (60 %) est encore aux mains de la famille fondatrice Mérieux. Sur la base de cette fourchette, la capitalisation boursière de la société serait comprise entre 1,045 et 1,215 milliard d'euros. Wendel Investissements s'est déjà partiellement désengagé (entre 5 % et 6 % ont été cédés à un groupe d'investisseurs privés). ...
- Genre : Wikipédia
- L'économie souterraine ou clandestine regroupe trois formes d'activités très différentes :
- l'économie souterraine générée par le travail au noir ;
- l'économie générée par les délits économiques ;
- l'économie générée par les activités criminelles ;
mais avec au moins trois points communs :
- elle échappe aux règles économiques et sociales et à l'intervention de l'État ;
- elle ne donne lieu à aucun prélèvement obligatoire (fiscal ou social) ;
- elle fausse le jeu de la libre concurrence par rapport aux activités légales, soit du fait de leur propre activité - travail au noir -, soit du fait de l'intégration de sommes provenants d'activités délictuelles ou criminelles, cherchant à se réinvestir - blanchiment d'argent. ...
Catégorie « LITTÉRATURE »
Concerne les articles sur la publication des livres (critiques) et sur la littérature.
Exemples
- Genre : Le Monde
- Sand parce que Sandeau. Pour George, c'est plus complexe - que penser de l'allusion aux Géorgiques en hommage aux paysans du Berry ? Y attache-t-elle de l'importance ? Pour elle, un nom, « c'est une marchandise, (...) un fonds de commerce ». Martine Reid étudie ce que ce George en place d'Aurore cache de ses liens avec ses proches, mais c'est surtout à l'oeuvre qu'elle s'attache, aussi bien à l'importance de Corambé qu'aux jeux du Il et Elle, ou qu'à la bisexualité des héroïnes romanesques. Cet ouvrage qui éclaire « l'arrière-plan fantasmatique sur lequel viennent s'inscrire toute relation de l'individu à son nom et toute velléité d'en changer » se lit comme une enquête où le pseudonyme paraît comme « le signe d'une métamorphose profonde » liée à la condition de femme écrivain.
- Genre : Wikipédia
- La société du Caveau est le nom que prirent successivement plusieurs sociétés littéraires, sorte d'Académie, qui exista sous diverses formes aux XVIIIe et XIXe siècles, où le but était de cultiver la chanson.
Première société du Caveau (1729-1739)
La société fut fondée en 1729 à l'initiative du chansonnier et épicier Pierre Gallet qui, le premier dimanche de chaque mois, invitait ses amis chansonniers à des dîners chantants.
Les premiers convives étaient Piron, Charles Collé et Crébillon fils. Ils se réunirent d'abord chez Gallet, puis au cabaret du traiteur Landelle, situé carrefour de Buci, et connu sous le nom de Caveau, qui donna son nom à la société. C'était à table et, suivant leur expression, en fêtant Bacchus, qu'ils donnaient libre carrière aux saillies de leur esprit et chantaient à tour de rôle de joyeux couplets. ...
Catégorie « POLITIQUE FRANÇAISE »
Concerne les articles relatifs à la politique française.
Exemples
- Genre : Le Monde
- Le député et maire (UMP) de Troyes, partisan du oui à la Constitution européenne, a estimé jeudi sur RTL, que l'élargissement de l'Union européenne aux pays de l'Est avait été « une étape ratée » et « mal préparée ». « Le fait d'avoir raté cette étape a donné l'impression que c'était le grand marché, le protectorat militaire américain, la favorisation des délocalisations. »
- Genre : Wikipédia
- L'affaire des propos de Bruno Gollnisch d'octobre 2004 est une affaire médiatico-judiciaire qui s'est déroulée en France après que Bruno Gollnisch a tenu à Lyon des propos controversés lors d'une conférence de presse puis auprès de certains médias. En janvier 2007, la justice a condamné Bruno Gollnisch pour « délit de contestation de l'existence de crime contre l'humanité par paroles ». Ce dernier a fait appel de ce jugement. ...
Catégorie « SCIENCES »
Concerne les articles traitant de sujets scientifiques.
Exemples
- Genre : Le Monde
- DÉBUTANTS de l'exploration spatiale, les Japonais ont encore tout à apprendre en matière de communication sur leurs hauts faits. Le 4 juillet, les Américains avaient su créer une curiosité mondiale autour de Deep Impact, première collision entre une comète et un boulet de fabrication humaine. Deux mois plus tard, l'agence spatiale nippone, la JAXA, vient de franchir, avec une discrétion qui confine à la cachotterie, les premières étapes d'une mission qui promet bien plus de spectacle et de retombées scientifiques que le télescopage organisé par la NASA. ...
- Genre : Wikipédia
- Le fardeau génétique est un terme utilisé pour la première fois par H. J. Muller en 1950, désigne l'ensemble des mutations génétiques défavorables dans une population.
La présence, au sein d'une population, d'individus avec des génotypes différents indique que la valeur sélective (fitness) de la population n'est pas optimale. Le fardeau génétique pointe un déficit d'adaptation dans une population et une baisse de la valeur sélective globale. ...
Catégorie « SOCIÉTÉ »
Concerne les articles d'événements français non politiques et de sujets de société.
Exemples
- Genre : Le Monde
- Resté stable en octobre, le chômage, qui reflue de manière quasi continue depuis février 2005, est reparti à la baisse en novembre. Le nombre de demandeurs d'emploi de catégorie 1 a diminué de 10 % en un an, passant de 2 346 000 à 2 112 300, et le taux de chômage a reculé d'un point à 8,7 %, selon les statistiques du ministère de l'emploi publiées jeudi 28 décembre.
En novembre, le nombre de demandeurs d'emploi de catégorie 1, qui sert de baromètre officiel du chômage, a diminué de 0,8 point, soit 17 400 chômeurs de moins. Ce recul a bénéficiéà tous : jeunes et seniors, hommes et femmes, chômeurs de longue durée.
- Genre : Wikipédia
- Daté des années 50, le terme « jet set » (n.f.) désigne la catégorie sociale plus ou moins mythique d'une élite (milliardaires, célébrités...) dont la principale occupation (supposée) est de « faire la fête » dans des endroits qui lui sont réservés (restaurants huppés, clubs réservés, stations thermales ou de vacances huppés...). L'expression « jet set » fait également référence, dans l'imagerie populaire, à l'idée de caste privilégiée : les membres de la « jet set » sont ceux qui ont les moyens de profiter de la vie sans travailler, par opposition au peuple, au prolétaire. ...
Catégorie « TÉLÉVISION »
Concerne les articles sur la radio et la télévision (programmes, fonctionnement).
Exemples
- Genre : Le Monde
- TROIS SEMAINES déjà que les rescapés de « Lost » sont aux prises avec l'environnement hostile de leur île d'infortune. Loin de s'être éclaircie, la situation de Jack, Claire, Locke, Shannon et des autres survivants du vol Oceanic 815 Sydney-Los Angeles devient même de plus en plus précaire. La bête invisible rôde toujours, Claire va se faire enlever et perdre la mémoire et un mystérieux personnage menace de tuer tout le monde. En toile de fond de ces péripéties insulaires, les scénaristes déroulent, épisode après épisode, la vie antérieure des survivants au crash. ...
- Genre : Wikipédia
- La voxographie (néologisme venant de vox, "voix", et -graphie, "liste") est un terme désignant la liste des acteurs ou des personnages fictifs d'oeuvres audiovisuelles (film, téléfilm, feuilleton, série télévisée, dessins animés...) auxquels un comédien ou une comédienne a prêté sa voix, dans le cadre d'un doublage. Le terme a tendance à se populariser dans le sens où plus de respect et d'attention sont accordés à tous les intervenants de telles oeuvres. ...
Les corpus sont au format XML dont la DTD est disponible
ici (mise-à-jour : 31/01/08).
La liste des valeurs pour la catégorie est la suivante :
-
tâche 1 : ART (Art), ECO (Économie), SPO (Sports), TEL (Télévision)
-
tâche 2 : FRA (Politique française), INT (International), LIV (Littérature), SCI (Sciences), SOC (Société)
La liste des valeurs pour le genre est la suivante :
-
W (Wikipédia)
-
LM (Le Monde)
Exemples
- Le fichier d'apprentissage :
- Ce fichier comporte, pour chaque document, le texte et la catégorie thématique dans laquelle il se situe. Pour la tâche 1, le genre du texte est ajouté. Un exemple est disponible ici.
- Le fichier de test :
- Ce fichier ne comporte, pour chaque document, que le texte. Un exemple est disponible ici. La catégorie devra être attribuée automatiquement et fournie dans le fichier des résultats, ainsi que le genre pour la tâche 1.
- Le fichier des résultats :
- Ce fichier ne comporte, pour chaque document, que la catégorie qui aura été automatiquement attribuée au texte par l'équipe participante, ainsi que, éventuellement, son score de confiance. Pour la tâche 1, il comporte aussi le genre. Un exemple est disponible ici.
L'encodage des corpus a été modifié de manière à avoir un encodage uniforme ISO 8859-15. Les éventuelles fautes d'orthographes ou de ponctuation n'ont pas été corrigées.
Le login et le mot de passe nécessaires à l'accès aux corpus seront envoyés aux personnes qui se sont inscrites et qui ont signé et renvoyé le contrat.
Corpus d'apprentissage
- Corpus 1 : apprentissage de la reconnaissance du genre des articles et de la catégorie sous laquelle les articles ont été publiés ;
- Corpus 2 : apprentissage de la reconnaissance de la catégorie sous laquelle chaque article a paru.
Corpus de test
➪ Scripts perl de calcul du F-score strict et du F-score pondéré