21 mars 2023
free_use , Libre , Free , Corpus protégé par le droit d'auteur (production du corpus et potentiellement sur le contenu des tweets). Consultation réservée à des fins de recherche. L'équipe du projet ANR Tremolo, en tant que producteur du corpus, ne rajoute pas de nouvelles couches de droit (hormis l'attribution) sur le corpus, mais ne peut pas entièrement garantir que le corpus est réutilisable en raison de questions juridiques subsistantes sur les tweets collectés. , Licence Rights Statements - Droit d'auteur indéterminé.
Jade Mekki, « TREMoLo_Tweets_Corpus », ORTOLANG
Le corpus TREMoLo-Tweets est un corpus de tweets en français annotés en registres de langue. Il comporte 228 505 tweets pour un total de 6~millions de mots.Des registres tels que familier, courant et soutenu sont un phénomène immédiatement perceptible par tout locuteur d'une langue. Ils restent encore peu étudiés en traitement des langues (TAL), en particulier en dehors de l'anglais. L'annotation intègre des marqueurs propres à ce type de textes (tels que les émoticônes ou les hashtags) et habituellement évincés dans les travaux en TAL. À partir d'une graine annotée manuellement en proportion d'appartenance aux registres, un classifieur de type CamemBERT est appris et appliqué sur un large ensemble de tweets. Le corpus TREMoLo-Tweets a été collecté et annoté dans le cadre du projet ANR TREMoLo.