Home
66
A "scientific" corpus of modern French ("La Recherche" magazine) - Raw data 
View resource name in all available languages
Corpus Scientifique du français contemporain (magazine "La Recherche") - Version brute
ID:
ELRA-W0025_01
This "scientific" corpus of modern French was produced by the University of Nantes (France) through a funding from ELRA in the framework of the European Commission project LRsP&P (Language Resources Production & Packaging - LE4-8335).
The corpus contains all articles published in La Recherche magazine in 1998, including issues 305 (January) to 315 (December), which amounts to 447,244 tokens and 30,238 types. It is aimed to be used within text analysis and related applications.
The texts, provided in XML (Extended Markup Language) format, have been marked-up into the SGML standard (Standard Generalized Markup Language). XML contained a structure where only the constituant parts of the text were coded (title, body, etc.), whereas SGML marking up , richer, goes up to the word level, including the grammatical category and the canonical form for each word. The annotation work is conformant with the TEI (Text Encoding Initiative) international project's guidelines.
View resource description in all available languages
Le Corpus Scientifique du français contemporain a été réalisé par l'Université de Nantes (France) dans le cadre du projet européen LRsP&P (Language Resources Production & Packaging - Production et mise au format des ressources linguistiques - LE4-8335) soutenu par la Commission Européenne.
Le corpus est constitué de tous les articles de la revue La Recherche parus en 1998, dans les numéros 305 (Janvier) à 315 (Décembre), pour un total de 447 244 "tokens" et 30 238 types. Il est destiné à être exploité dans des systèmes d'analyse de textes et des applications connexes.
Les textes des articles, fournis au format XML (Extended Markup Language), ont été mis au standard SGML (Standard Generalized Markup Language). Le format XML consistait essentiellement en une structuration du texte selon ses parties constitutives (titre, corps etc.) alors que la structure SGML actuelle du corpus est beaucoup plus riche puis qu'elle descend jusqu'au niveau du mot en apportant, pour chacun d'eux, sa catégorie grammaticale et sa forme canonique. Le travail d'annotation suit les directives du projet international TEI (Text Encoding Initiative).
People who looked at this resource also viewed the following: