Comment chercher un mot dans le BNC (British National Corpus) et exploiter ses données

Le British National Corpus (BNC) est une ressource linguistique majeure qui réunit des textes écrits et parlés en anglais. Il se compose d’une partie écrite plus large et d’une partie parlée plus petite, avec des informations détaillées sur chaque texte et sur les mots qui les composent. Le BNC XML Edition est la version actuelle, tandis que le BNC World correspond à une ancienneté et met l’accent sur un équilibre entre textes écrits et oraux.

Structure et formats du BNC

Le corpus est structuré autour de textes, chacun portant des métadonnées détaillées (source, date, genre, domaine, région capturée, etc.). Les textes sont tagués sur les parties du discours et les lemmes, avec une lemmatisation appliquée pour replacer chaque forme fléchie dans sa forme de base. Le BNC peut être interrogé via des cadres de recherche qui permettent d’assembler des listes de mots, des collocations, des fréquences et des exemples dans des contextes variés.

Le format XML du BNC facilite l’accès programmatique et l’extraction de données, et un outil de recherche spécialisé (Xaira) pilote l’accès au corpus. L’accès libre couvre l’intégralité du corpus, mais les environnements textuels affichent des limites telles que le nombre d’exemples affichés. Des guides et références existent pour comprendre les conventions (par exemple, les identifiants texte en trois lettres et les numéros de phrases).

Comment chercher un mot ou une expression

Pour chercher un mot, commencez par entrer le ou les composants de votre requête. Dans certains outils, les mots composés peuvent être traités comme deux mots distincts ou comme une unité. L’outil propose aussi une option de requête en phrase (recherche par synonyme ou expression exacte). Les résultats apparaissent dans une fenêtre dédiée, avec des contextes où le mot est utilisé et des possibilités de filtrage.

Quelques conseils pratiques pour optimiser vos recherches :

Lire aussi: Comment financer un projet ?

Utiliser des guillemets ou l’option « Phrase Query » pour rechercher des expressions exactes (par exemple une expression composée).
Entrer les composants séparément lorsqu’on recherche des variantes ou des formulations différentes (par exemple gon na peut être traité comme deux mots).
Ajouter des critères de contexte ou de métadonnées (genre, texte, année, région) pour affiner les résultats.
Utiliser la lemmatisation pour regrouper les formes fléchies d’un même lemme et obtenir des fréquences plus robustes.
Post-traiter les résultats: enlever des occurrences non pertinentes, examiner le contexte, et sauvegarder des instances ou des données bibliographiques.

Typologies d’analyses et sorties utiles

Le BNC permet de générer des collocations et des listes de fréquences, des exemples contextuels et des n-grammes. Il est possible d’extraire des observations sur le registre et le genre des textes, et d’effectuer des comparaisons entre les parties écrites et parlées. Voici quelques modes d’exploitation courants :

Génération de listes de fréquences et de collocations pour un mot cible.
Extraction d’exemples dans leurs contextes textuels complets (avec métadonnées).
Analyse de la distribution du mot selon les genres, les domaines et les périodes.
Utilisation d’un schéma d’étiquetage Penn Treebank et de balises de lemmatisation pour des analyses syntaxiques.

Éléments techniques et ressources associées

Le BNC est aussi associé à des ressources annexes et à des projets comme la British Library Sound Archive et l’ AudioBNC, qui alignent les données audio avec les transcriptions du BNC. Des éditions et guides permettent de comprendre les choix de balisage et les conventions de référence :

BNC XML Edition (2007), avec quatre échantillons d’un million de mots chacun et des détails sur l’édition et les genres.
Guide de référence pour le BNC (XML Edition) et autres guides d’utilisation édités par Lou Burnard.
Différentes versions historiques : BNC World (version 2) et BNC Baby (version 2), ainsi que la Sampler XML.
La Taxonomie des genres et la classification - utile pour les analyses par domaine et registre.

Lors de l’utilisation des données, il est courant d’afficher des informations métatextuelles (référence, auteur et droits) et de respecter les conditions d’utilisation et les licences associées. La phrase « Examples of usage taken from the British National Corpus (BNC) were obtained under the terms of the BNC End User Licence » illustre ce cadre.

Exemple de flux de travail avec le BNC

Un flux type peut être le suivant: démarrer le programme de requête, entrer le mot ou la phrase, lancer la recherche, interpréter l’un des trois résultats possibles (hits, trop de solutions, ou pas de solutions), et choisir d’afficher les hits soit individuellement, soit en bloc. On peut ensuite post-traiter les résultats pour obtenir des contextes supplémentaires ou des données bibliographiques, puis sauvegarder les occurrences pertinentes.

Interopérabilité et outils complémentaires

Des outils et scripts permettent de générer des collocations, des listes de fréquence, des exemples dans des contextes, des n-grams ou des extraits. Certains environnements permettent de voir les textes sans balises de marquage, et d’autres offrent une visualisation sous forme d’infographies, de cartes ou de schémas pour accroître l’information disponible.

Lire aussi: Les enjeux de l'entrepreneuriat

Exemples d’applications pratiques :

Comparaison fréquentielle entre textes écrits et parlés pour un mot donné.
Étude des collocations et des cooccurrences pour l’analyse stylistique ou morphosyntaxique.
Extraction de segments contextuels illustrant des usages typiques ou atypiques.

Éléments de métadonnées et bonnes pratiques

Pour la citation et l’utilisation des exemples, il faut inclure l’identifiant textuel (code à trois lettres) et le numéro de phrase. Le respect des licences et des droits IPR est également essentiel lorsque l’on publie des extraits issus du BNC.

Tableau récapitulatif des ressources associées

Ressource	Description
BNC XML Edition (2007)	Edition XML avec quatre échantillons d’un million de mots chacun, édition par Oxford University Computing Services.
BNC World (version 2, 2001)	Version historique axée sur l’équilibre écrit-parlé, publiée par les mêmes organisateurs.
BNC Baby (2005)	Version adaptée pour l’enseignement et les très jeunes corpus.
Aide et Guides	Guides de référence et consultation (Burnard, 2007; Burnard, 2000).

Notes sur le cadre de marquage et les résultats

Le BNC est part-of-speech taggé avec le système Penn Treebank et des modifications spécifiques de Sketch Engine, indiquant la catégorie grammaticale. Chaque mot peut être lemmatisé et replacé dans son contexte textuel; les textes comportent des métadonnées détaillées et des informations sur le texte et son corpus. Le texte est généralement au format XML et géré par un outil de recherche dédié (Xaira).

balises: