INaLCO - M2 Traductique 2013-2014

Projet commun aux cours

• Langages de scripts/Perl (Océane Hồ Đình),

• XML (Jean-François Perrot).

1. But du projet
2. Moyens employés
3. Modalités

1. But du projet

   • Engendrer (et afficher) un histogramme à partir d'un corpus de textes, précisément  l'histogramme de la fréquence de la longueur des phrases.
     On disposera de deux sous-corpus ( textes informels et textes institutionnels) et on représentera les deux histogrammes sur le même diagramme, en les distinguant par la couleur.
     
     
   • Les corpus seront en format XML, exporté du logiciel TXM, à raison d'un fichier XML par texte.
     On créera un fichier XML unique pour l'ensemble du corpus, auquel on ajoutera des informations nécessaires (nombre de mots par phrase, ou de phrases par texte, de mots par texte, de textes dans le corpus, de phrases dans le corpus, de mots dans le corpus, etc).
     
     
   • On traitera donc 3 types de fichiers XML (fichier simple de sortie TXM - fichier unique du corpus - corpus enrichi), dont la structure sera spécifiée par 3 grammaires RNG (à écrire).
     À chaque étape, on vérifiera la conformité des fichiers XML par rapport à la grammaire adéquate.
     
     

2. Moyens employés

   • L'affichage de l'histogramme sera confié au logiciel XML/SWF Charts (dont une version prête à l'emploi sera fournie).
     Ce logiciel demande que les données lui soient présentées sous la forme d'un fichier XML.
     
     
   • L'enrichissement du corpus par des données numériques sera effectué par une transformation XSLT (à écrire).
     
     
   • La production du fichier XML de l'histogramme à partir du corpus enrichi sera programmée en Perl.
     
     
   • Perl sera également employé pour l'ensemble du traitement, la gestion des répertoires et des fichiers.
     Les appels à xmllint pour les tests de conformité, et à xsltproc pour la transformation XSLT, seront lancés depuis Perl par backquote.
     
     

3. Modalités

   1. Documents à livrer par chaque étudiante :
      
      • 3 grammaires en format compact RNC (le format XML étant produit automatiquement)
      • une feuille de style XSLT (enrichissement du corpus)
      • un script Perl exécutable
        
      • un rapport exposant les problème rencontrés et les solutions retenues (en pdf).
        
        
   2. Calendrier :
      
      • Présentation orale le jeudi 10 avril à 15h (dernière séance de cours d'Océane).
      • Envoi des documents (répertoire zippé via email) le mercredi 9 avril avant 20h.