Le corpus Babeliris : d’une méthodologie de constitution aux principales caractéristiques linguistiques

Abstract

Cet article décrit le processus d’encodage du corpus Babeliris, réunissant des textes médico-administratifs du réseau hospitalier IRIS. Concrètement et sans revenir sur les modalités de collecte des textes, il présente les balises TEI-P5 qui ont servi à encadrer les données textuelles variables, à partir desquelles peuvent naître des sous-corpus. Dans ce cadre, il explique le fonctionnement de l’interface créée à cet effet. Par ailleurs, il soulève la problématique du choix d’un aligneur multilingue ad hoc et, partant, d’un gestionnaire de mémoire de traduction, en exposant les avantages et les inconvénients de trois logiciels testés. Enfin, il décrit les principales caractéristiques linguistiques du pan français du corpus, dans le but de pouvoir juger de la représentativité de celui-ci dans le vaste monde des corpus de langue spécialisée et de langue générale.