PERCEO : un Projet d'Etiqueteur Robuste pour l'Ecrit et pour l'Oral

PERCEO a été initialement conçu pour servir à l'annotation automatique en parties du discours et en lemmes de textes de différentes provenances (écrit et oral). Nous rendons disponible sur cette page les fichiers paramètres obtenus à l'aide du module d'entraînement du logiciel Tree Tagger ainsi que l'ensemble des ressources qui nous ont permis de les obtenir. Pour l'instant, les données ayant servi à l'entraînement sont celles du projet TCOF (disponibles sur le site du CNRTL). L'idée est d'utiliser des données d'apprentissage du même type (ou voisines) de celles que l'on souhaite étiqueter automatiquement. Nous avons donc commencé par le français parlé.En ce qui concerne les données orales, le corpus d'apprentissage comprend 102 139 tokens. Il est issu de 35 transcriptions différentes du projet TCOF. La méthodologie employée est la suivante :Correction par deux personnes de chaque échantillon d'environ 500 tokens. Les échantillons avaient été préalablement étiquetés automatiquement à l'aide d'une version ré-entraînée de Tree Tagger.Correction/validation par un expert des cas de divergence.L'accord inter-annotateurs est en moyenne de 96,45% (Kappa de Cohen) et le taux d'erreurs calculé par sondage sur un échantillon de 1 000 tokens est de 1,2%. La version de Tree Tagger ré-entraînée permet d'obtenir un taux de précision respectivement de 95,2% (POS + lemme) et de 96,4% (POS uniquement).