Que recèlent les données textuelles issues du web ?

Adrien Barbaresi (1) , Gaël Lejeune (2, 3, 4)

1 BBAW - Berlin-Brandenburgische Akademie der Wissenschaften
2 UP4 - Université Paris-Sorbonne
3 STIH - Sens, Texte, Informatique, Histoire
4 STIH-LC - Équipe Linguistique computationnelle

La collecte et l’usage opportunistes de données textuelles tirées du web sont sujets à une série de problèmes éthiques, méthodologiques et épistémologiques qui méritent l’attention de la communauté scientifique. Nous présentons des études empiriques de leur impact en linguistique et TAL centrées sur la forme (méthodes d’extraction des données) ainsi que sur le fond (contenu des corpus).

Mots clés: Science du web; Construction de corpus; Extraction de texte; Méthodes d’évaluation

Domaines: Informatique et langage [cs.CL]; Web

Adrien Barbaresi, Gaël Lejeune. Que recèlent les données textuelles issues du web ?. 6e conférence conjointe Journées d'Études sur la Parole (JEP, 33e édition), Traitement Automatique des Langues Naturelles (TALN, 27e édition), Rencontre des Étudiants Chercheurs en Informatique pour le Traitement Automatique des Langues (RÉCITAL, 22e édition). 2e atelier Éthique et TRaitemeNt Automatique des Langues (ETeRNAL), 2020, Nancy, France. pp.19-28. ⟨hal-02750223v3⟩