Aller au contenu principalAller à la recherche
Episciences
Revues en libre accès
Connexion(nouvelle fenêtre)
Data & Corpus logo
Data & CorpusLa revue des données en SHS
Data & Corpus logo
Data & Corpus
Connexion(nouvelle fenêtre)
Articles & volumes
Tous les articlesTous les volumesDernier volumeAuteurs/Autrices
À propos
La revueRéférencementActualités
Comités
Publier
Pour les auteurs/autricesCharte éthique
Submit
Data & Corpus logo
Notice de la revue
|
Contact
|
Crédits
eISSN 3099-5299
|
RSS
|
Atom
Episciences
Documentation
|
Remerciements
|
Politique de publication
Accessibilité : non conforme
|
Mentions légales
|
Déclaration de confidentialité
|
Termes d'utilisation
  1. Accueil > Articles & volumes >
  2. Articles >
  3. Corpus multilingues ...
Article

Corpus multilingues pour l'étude de nouveaux concepts en SHS : le cas de « l’innovation non technologique »

Revekka Kyriakoglou ORCID (1) (2), Anna Pappa ORCID (1) (2)
(1) Laboratoire d'Informatique Avancée de Saint-Denis
(2) Laboratoire d'Intelligence Artificielle et Sémantique des Données
Télécharger l'article
Ouvrir sur HAL
Soumis le
December 8, 2025
Accepté le
June 8, 2026
Publié le
July 23, 2026
Modifié le
July 23, 2026
Volume 2
Les articles de données en sciences humaines et sociales : nouveaux enjeux sociétaux et innovations méthodologiques
Articles de méthodologie
DOI
10.46298/dc.17050
Licence
Attribution - Pas d'Utilisation Commerciale 4.0 International (CC BY-NC 4.0)
Indicateurs
277
Vues
237
Téléchargements

Corpus multilingues pour l'étude de nouveaux concepts en SHS : le cas de « l’innovation non technologique »

Revekka Kyriakoglou ORCID (1) (2), Anna Pappa ORCID (1) (2)
(1) Laboratoire d'Informatique Avancée de Saint-Denis
(2) Laboratoire d'Intelligence Artificielle et Sémantique des Données
Résumé
anglais
This article presents a hybrid methodology for building a multilingual corpus designed tosupport the study of emerging concepts in the humanities and social sciences (HSS), illustrated herethrough the case of “non-technological innovation”. The corpus relies on two complementarysources: (1) textual content automatically extracted from company websites, cleaned for French andEnglish, and (2) annual reports collected and automatically filtered according to documentary criteria(year, format, duplication). The processing pipeline includes automatic language detection, filteringof non-relevant content, extraction of relevant segments, and enrichment with structural metadata.From this initial corpus, a derived dataset in English is created for machine learning purposes. Foreach occurrence of a term from the expert lexicon, a contextual block of five sentences is extracted(two preceding and two following the sentence containing the term). Each occurrence is annotatedwith the thematic category associated with the term, enabling the construction of data suitable forsupervised classification tasks.This approach results in a reproducible and extensible resource, suitable both for analyzing lexicalvariability around emerging concepts and for generating datasets dedicated to natural languageprocessing applications.
français
Cet article présente une méthodologie hybride pour la création d’un corpus multilingue des-tiné à faire émerger des termes associés à des concepts nouveaux en sciences humaines et so-ciales (SHS), en prenant pour cas d’étude « l’innovation non technologique ». Le corpus repose surdeux sources textuelles complémentaires : (1) des contenus extraits automatiquement des sitesweb d’entreprises, nettoyés pour le français et l’anglais, et (2) des rapports annuels collectés etfiltrés automatiquement selon des critères documentaires (année, format, duplication). Le pipelineintègre la détection automatique des langues, le filtrage des contenus non pertinents, l’extraction desegments pertinents et l’enrichissement en métadonnées structurelles.À partir de ce corpus initial, un dataset dérivé en anglais est construit pour des usages en appren-tissage automatique. Il regroupe, pour chaque occurrence d’un terme du lexique expert, un bloccontextuel de cinq phrases (deux précédant et deux suivant la phrase contenant le terme). Chaqueoccurrence est annotée avec la catégorie thématique associée au terme, permettant de structurerles données pour des tâches de l’apprentissage automatique.Cette approche produit une ressource reproductible, extensible et adaptée à l’analyse de la varia-bilité lexicale autour de concepts nouveaux, ainsi qu’à la création de jeux de données destinés auxapplications de traitement automatique des langues.
Mots-clés
français
  • [INFO.INFO-CL]Computer Science [cs]/Computation and Language [cs.CL]
  • Concepts émergents
  • Annotation catégorielle
  • Extraction contextes
  • Web scraping
  • Corpus multilingue
  • SHS
  • Apprentissage automatique
anglais
  • HSS
  • Emerging concepts
  • Context extraction
  • Multilingual corpus
  • Web scraping
  • Categorical annotation
  • Machine learning
Publications liées - jeux de données - logiciels
  • Est basé sur
    https://doi.org/10.57745/M9UHMX
  • Est un contenu lié à
    https://hal.science/hal-04772221
Aperçu
Loading PDF preview...
Références

  1. Baroni, M., Bernardini, S., Ferraresi, A., & Zanchetta, E. (2009). The WaCky wide web: A collection of very large linguistically processed web- crawled corpora. Language Resources and Evaluation, 43(3), 209-226. https://doi.org/10.1007/s10579-009-9081-4

    DOI : 10.1007/s10579-009-9081-4

  2. Bentivogli, L., Forner, P., Magnini, B., & Pianta, E. (2004). Revising the WordNet Domains Semantics, coverage and balancing. Dans Proceedings of the Workshop on Multilingual Linguistic Resources (pp. 94-101). COLING. https://doi.org/10.3115/1706238.1706254

    DOI : 10.3115/1706238.1706254

  3. Beretta, F. (2024). Semantic data for humanities and social sciences (SDHSS): An ecosystem of CIDOC CRM extensions for research data production and reuse. Dans T. Riechert, H. Beyer, J. Blanke & E. Marx (dir.), Professorale Karrieremuster Reloaded : Entwicklung einer wissenschaftlichen Methode zur Forschung auf online verfügbaren und verteilten Forschungsdatenbanken der Universitätsgeschichte (pp. 73-101). HTWK Open-Access-Hochschulverlag. https://doi.org/10.33968/9783966270502-05

    DOI : 10.33968/9783966270502-05

  4. Biemann, C., Bildhauer, F., Evert, S., Goldhahn, D., Quasthoff, U., Schäfer, R., Simon, J., Swiezinski, L., & Zesch, T. (2013). Scalable construction of high-quality web corpora. Journal for Language Technology and Computational Linguistics, 28(2), 23-59. https://doi.org/10.21248/jlcl.28.2013.175

    DOI : 10.21248/jlcl.28.2013.175

  5. Bond, F., & Foster, R. (2013). Linking and extending an open multilingual WordNet. Dans Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers, pp. 1352-1362). Association for Computational Linguistics. https://aclanthology.org/P13-1133/

    DOI : 10.18653/v1/p18-1

  6. Conia, S., Barba, E., Martinez Lorenzo, A. C., Huguet Cabot, P.-L., Orlando, R., Procopio, L., & Navigli, R. (2024). MOSAICo: A multilingual open- text semantically annotated interlinked corpus. Dans Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 1: Long Papers, pp. 7990-8004). Association for Computational Linguistics. https://doi.org/10.18653/v1/2024.naacl-long.442

    DOI : 10.18653/v1/2024.naacl-long.442

  7. Essien, I. A., Adebayo, A. O., Afuwape, A. A., Eboseremen, B. O., Oladega, F., & Soneye, O. M. (2023). The ethics of web scraping in research: Investigating the boundaries, legal implications, and societal acceptance of web scraping as a data collection method. Journal of Frontiers in Multidisciplinary Research, 4(1), 529-538. https://doi.org/10.54660/.JFMR.2023.4.1.529-538

    DOI : 10.54660/.jfmr.2023.4.1.529-538

  8. Gonzalez-Agirre, A., Castillo, M., & Rigau, G. (2012). A proposal for improving WordNet Domains. Dans Proceedings of the Eighth International Conference on Language Resources and Evaluation - LREC'12, (pp. 3457-3462). European Language Resources Han, L., Jones, G., & Smeaton, A. (2020). AlphaMWE: Construction of multilingual parallel corpora with MWE annotations. Dans Proceedings of the Joint Workshop on Multiword Expressions and Electronic Lexicons (pp. 44-57). Association for Computational Linguistics. https://aclanthology.org/2020.mwe-1.

    DOI : 10.63317/3fb2vjfjqdmz

  9. Hinrichs, E., & Krauwer, S. (2014). The CLARIN research infrastructure: Resources and tools for eHumanities scholars. Dans Proceedings of the Ninth International Conference on Language Resources and Evaluation -LREC'14, (pp. 1525-1531). European Language Resources Association.

    DOI : 10.63317/4b7mpwgoas9q

  10. Ide, N., & Pustejovsky, J. (Eds.). (2017). Handbook of linguistic annotation. Springer. https://doi.org/10.1007/978-94-024-0881-2

  11. Kazmali, A. S., & Sayar, A. (2025). Web scraping: Legal and ethical considerations in general and local context -A review. Procedia Computer Science, 259, 1563-1572. https://doi.org/10.1016/j.procs.2025.04.111

    DOI : 10.1016/j.procs.2025.04.111

  12. Kilgarriff, A., Reddy, S., Pomikálek, J., & Avinesh, P. V. S. (2010). A corpus factory for many languages. Dans Proceedings of the Seventh International Conference on Language Resources and Evaluation - LREC'10. European Language Resources Association. https://aclanthology.org/L10-1044/

    DOI : 10.63317/5jvrgku6gtig

  13. Kyriakoglou, R., Pappa, A., He, J., Schoen, A., Laurens, P., Vartampetian, M., Laredo, P., & Kyriacopoulou, T. (2024). Développement automatique de lexiques pour les concepts émergents : Une exploration méthodologique. Dans A. Dister & D. Longrée (dir.), JADT 2024 : Mots comptés, textes déchiffrés (vol. 1, Cahiers du CENTAL, n° 17). Presses universitaires de Louvain. hal-04772221v1

  14. Lui, M., & Baldwin, T. (2012). langid.py: An off-the-shelf language identification tool. Dans Proceedings of the ACL 2012 System Demonstrations (pp. 25-30). Association for Computational Linguistics. https://aclanthology.org/P12-3005/

    DOI : 10.1162/tacl_a_00163

  15. Myers, D., & McGuffee, J. W. (2015). Choosing Scrapy. Journal of Computing Sciences in Colleges, 31(1), 83-89.

    DOI : 10.1002/9781119176602.ch7

  16. Nakov, P. (2015). Web as a corpus: Going beyond the n-gram. Dans P. Braslavski, N. Karpov, M. Worring, Y. Volkovich, & D. I. Ignatov (dir.), Information retrieval: 8th Russian Summer School, RuSSIR 2014, Nizhniy Novgorod, Russia, August 18-22, 2014, revised selected papers (pp. 185-228). Springer. https://doi.org/10.1007/978-3-319-25485-2_5

    DOI : 10.1007/978-3-319-25485-2_5

  17. Navigli, R., & Ponzetto, S. P. (2012). BabelNet: The automatic construction, evaluation and application of a wide-coverage multilingual semantic network. Artificial Intelligence, 193, 217-250. https://doi.org/10.1016/j.artint.2012.07.001

    DOI : 10.1016/j.artint.2012.07.001

  18. Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S. ... & Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71

    DOI : 10.1136/bmj.n71

  19. Pappa, A., & Kyriakoglou, R. (2025). Données de réplication pour : MALANTIN (Version V1) [Jeu de données]. Recherche Data Gouv. https://doi.org/10.57745/M9UHMX

    DOI : 10.57745/M9UHMX

  20. Speer, R., Chin, J., & Havasi, C. (2017). ConceptNet 5.5: An open multilingual graph of general knowledge. Proceedings of the Thirty- First AAAI Conference on Artificial Intelligence, 31(1), 4444-4451. https://doi.org/10.1609/aaai.v31i1.11164

    DOI : 10.1609/aaai.v31i1.11164