Acquisition du tchèque par les francophones : analyse ... - LaLIC

ANNOTATION MORPHOLOGIQUE
rée comme plus fiable, est basée évidemment sur la fréquence des unités mais elle reflète
également la répartition des occurrences d’une certaine unité dans l’ensemble du corpus, ce
qui permet de diminuer l’influence des textes avec une fréquence trop importante d’une unité
spécifique, employée uniquement dans un contexte donné.
Si la liste de 50 000 mots de FSČ est ordonnée d’après la valeur ARF, l’ordre des différents
mots dans cette liste est exprimé par la valeur appelée rank ARF – elle est égale à 1
pour le lexème le plus fréquent, à 2 pour le deuxième lexème le plus fréquent etc. Dans les
calculs suivants, cette liste va correspondre à la liste L, introduite ci-dessus. Pour donner un
exemple de l’organisation de cette liste, une dizaines de mots classée d’après ARF à partir de
l’unité sur la 961 e position (rank ARF) d’après la fréquence est présentée ici : 961 student,
961 študent, 962 probíhat, 963 potíž, 964 občanský, 965 stavět, 966 novinář, 967 zboží, 968
instituce, 969 tiskový, 970 tvorba, 971 bohatý
Le chiffre correspond à la valeur du rank ARF et d’après la conception choisi dans FSČ,
cette valeur est égale pour les différentes variantes d’un seul lexème.
Il est maintenant nécessaire d’extraire le lexique A1A2, disponible à l’origine dans un
document en format PDF (Portable Document File) et le formater en XML pour faciliter les
manipulations informatiques. Ce fichier a ensuite été traité par un script Perl qui a attribué à
chaque unité sa valeur du rank ARF, lue dans la liste L. Voici un extrait du fichier résultant,
contenant les lexèmes de A1A2, ayant comme point de départ l’unité avec le rank ARF 961,
comme dans l’exemple précédent : 961 student, 964 občanský, 966 novinář, 967 zboží, 972
dívat se, 974 poslat, 975 únor, 977 červenec, 979 červený, 986 radost
En observant la différence entre les deux extraits, nous pouvons constater que le lexique
A1A2 ne contient pas la variante študent de l’élément avec le rank ARF égale à 961, il ne
contient ni l’élément 962 probíhat et 963 potíž, il contient l’élément 964 občanský etc. –
cette comparaison révèle rapidement qu’il y a des unités présentes dans la liste L et absentes
dans le lexique A1A2. Ainsi, la valeur du rank ARF des unités du lexique A1A2 n’est pas
égale à leur ordre – la plus grande valeur du rank ARF n’est pas égale au nombre d’unités,
comme nous l’avons supposé plus haut pour le cas idéal, mais il dépasse largement la limite
de 2700 mots les plus fréquents dans le FSČ, voir fig. 3.1.
Il est évident que le lexique A1A2 contient des lexèmes qui sont beaucoup moins fréquents
qu’un ensemble de lexèmes correspondant qui serait délimité uniquement sur la base
de la fréquence – la courbe correspondrait à la flèche pointillée sur la fig. 3.1.
La valeur du rank ARF monte d’une façon régulière jusqu’aux alentours de la valeur
10 000, atteinte autour du lexème de l’ordre 2 000 dans le lexique A1A2, les 700 éléments
restants sont des lexèmes repartis sur une plage entre 10 000 et 50 000 de la valeur ARF. Les
derniers lexèmes entre 40 000 et 50 000 sont les suivants : 40381 nastydlý, 40631 nahustit,
40