Les atouts multiples de la lemmatisation : l'exemple du latin
Notice bibliographique
Résumé
Based on the long experience of LASLA (Liège) and its Latin text data bank, tbis paper aims to exemplify the usefulness of lemmatization and morphological analysis for text corpus studies (occurrences queries, statistical lists and tests).Lemmatization brings linguistic accuracy of data and results, morphological analysis opens up richer directions.Limits of tbis melhod are the lack of syntactical analysis (parsing).' RésuméEn se fondant sur la longue et riche expérience du LASLA (Liège) et sur la banque de textes latins qu'il a lemmatisée, il est ici question de montrer l'utilité que présentent la lemmatisation, mais aussi l'analyse morphologique des formes textuelles, pour les études de corpus textuels et linguistiques, notamment la recherche d'occurrences, les relevés statistiques et l'application de tests statistiques.Ces atouts sont, dans le cas de la lemmatisation, une précision linguistique des données manipulées et des résultats produits bien plus grande que dans l'exploitation des seules formes textuelles: pour l'analyse morphologique, richesse de la valeur ajoutée et ouvenure de perspectives.Plusieurs exemples illustrent non seulement les avantages, mais aussi 'es limites d'un codage purement lexical et morphologique, mais non syntaxique.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,039 | 0,014 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».