TEITOK – a Tokenized TEI environment

Le carnet Amoxcalli se propose de recenser des ressources utiles à l’américaniste.
N’hésitez pas à suggérer des ressources et signaler les liens rompus. Siéntase libre de sugerir recursos e informar enlaces rotos. Feel free to suggest resources and report broken links.

---

Titre

• TEITOK – a Tokenized TEI environment

Pays

• États-Unis

Langue(s)

• Anglais

Auteur(s)

• Maarten Janssen

Description

TEITOK est une plateforme web pour la visualisation, la création et l’édition de corpus avec un balisage textuel riche et des annotations linguistiques, initialement développée au Centro de Linguística da Universidade de Lisboa, puis au CELGA-ILTEC, et actuellement maintenue à l’institut ÚFAL de l’Université Charles à Prague.

Le système a une conception modulaire avec de nombreux modules permettant de servir un large éventail de types de corpus différents. Vous trouverez ci-dessous quelques exemples de certains d’entre eux, et le type de corpus que TEITOK peut traiter. D’autres modules sont ajoutés fréquemment, et il est également possible d’ajouter des modules personnalisés.

La source est maintenue sur GitLab et certains outils de conversion sont maintenus sur GitHub.

Pour les corpus historiques, TEITOK offre la possibilité d’avoir un alignement entre la transcription et l’image fac-similé, il offre la possibilité de travailler avec plusieurs réalisations orthographiques pour combiner plusieurs éditions d’un texte dans un seul fichier XML, et il offre la possibilité de créer une carte documentaire consultable pour voir où dans le monde plusieurs phénomènes sont plus fréquents.

Le type de corpus auquel TEITOK est destiné demande beaucoup de travail : pour les textes anciens, pratiquement aucune donnée n’est disponible au format numérique et doit être scannée. Dans de nombreux cas, l’OCR ne fonctionnera pas et même pour les lecteurs humains, les textes sont souvent très difficiles à lire. De plus, les données présenteront de nombreuses variations orthographiques et une grande partie de l’annotation linguistique, y compris la normalisation, devra être effectuée à la main. En conséquence, la plupart des corpus créés avec TEITOK auront une taille limitée, et la recherche de propriétés linguistiques dans ces corpus ne donnera pas beaucoup de résultats. C’est pourquoi TEITOK offre la possibilité d’indexer le corpus dans une base de données centrale, qui peut être consultée via ce site. Chaque résultat de recherche n’affichera que le contexte direct du mot, et renverra directement au mot dans le texte original sur le site du projet d’où il provient. De cette façon, il est possible d’effectuer des recherches dans plusieurs corpus en même temps et d’accéder à l’intégralité des données originales d’une manière qui met en évidence le projet d’origine.

TEITOK est disponible gratuitement pour tous ceux qui souhaitent créer des corpus textuels richement annotés, et fonctionne sur n’importe quel serveur web basé sur LINUX.

URL

• http://teitok.org/

---

---