Steps for Creating a Specialized Corpus and Developing an Annotated Frequency-Based Vocabulary List
Notice bibliographique
Résumé
This article provides introductory, step-by-step explanations of how to make a specialized corpus and an annotated frequency-based vocabulary list. One of my objectives is to help teachers, instructors, program administrators, and graduate students with little experience in this field be able to do so using free resources. Instructions are first given on how to create a specialized corpus. The steps involved in developing an annotated frequency-based vocabulary list focusing on the specific word usage in that corpus will then be explained. The examples are drawn from a project developed in an English for Academic Purposes Nursing Foundations Program at a university in the Middle East. Finally, a brief description of how these vocabulary lists were used in the classroom is given. It is hoped that the explanations provided will serve to open the door to the eld of corpus linguistics. Cet article présente des explications, étape par étape, visant la création d’un corpus spécialisé et d’un lexique annoté et basé sur la fréquence. Un de mes objectifs consiste à aider les enseignants, les administrateurs de programme et les étudiants aux études supérieures avec peu d’expérience dans ce domaine à réussir ce projet en utilisant des ressources gratuites. D’abord, des directives expliquent la création d’un corpus spécialisé. Ensuite, sont présentées les étapes du développement d’un lexique visant le corpus, annoté et basé sur la fréquence. Les exemples sont tirés d’un projet développé dans une université du Moyen-Orient pour un cours d’an- glais académique dans un programme de fondements de la pratique infirmière. En dernier lieu, je présente une courte description de l’emploi en classe de ces listes de vocabulaire. J’espère que ces explications ouvriront la porte au domaine de la linguistique de corpus.
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 | 0,010 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 0,015 |
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 ».