CoLATeP

Le corpus CoLATeP ("Corpus Libre et Annoté de Textes Procéduraux") rassemble des textes procéduraux issus de deux sites web qui proposent un ensemble de tutoriels écrits en français et destinés au grand public (réparation d’objets, activités quotidiennes). Ces textes sont annotés de façon à ce qu’il soit possible de retrouver facilement les éléments qui les composent. Ainsi, les portions de textes sont caractérisées selon qu'elles indiquent une instruction, un avertissement, un conseil ou un rappel. Le corpus contient 70 721 procédures, pour un total de 64,13 millions de mots. Les textes procéduraux ont été téléchargés en Septembre 2021 au format HTML via les sitemaps des sites iFixit et wikiHow, puis transformés au format XML TEI-P5 pour constituer le corpus. Ce corpus, disponible sous la licence Creative Commons BY-NC-SA 3.0, a été réalisé dans le cadre du Master Sciences du Langage LITL (Linguistique, Informatique et Technologies du Langage) 2 à l’Université Toulouse Jean-Jaurès (année universitaire 2020/2021).Le corpus est composé de deux sous-corpus qui contiennent les textes procéduraux issus des sites wikiHow et iFixit (versions françaises). Le sous-corpus wikiHow est lui-même subdivisé en 77 sous-corpus relevant des 76 catégories et sous-catégories thématiques distinguées dans wikiHow plus une catégorie contenant 109 textes "sans catégorie" (https://fr.wikihow.com/Sp%C3%A9cial:CategoryListing). Nous fournissons également une version du corpus annotée par Stanza (étiquetage mophosyntaxique, lemmatisation et analyse en dépendances).