Publication du corpus BFM2022

Le groupe de travail Cactus a le plaisir d’annoncer la publication du corpus BFM2022 de la Base de français médiéval : https://txm-bfm.huma-num.fr/txm/?command=documentation&path=/BFM2022.

La Base de français médiéval diffuse gratuitement différents corpus (ensembles de textes et suppléments numériques) sous licence ouverte Etalab (https://www.etalab.gouv.fr/licence-ouverte-open-licence). Les corpus sont accessibles sous trois formes :

• accès via les outils du portail BFM-TXM ;
• téléchargement sur le portail des corpus binaires pour intégration dans la version locale de TXM ;
• téléchargement des fichiers XML TEI dans l’entrepôt NAKALA : https://nakala.fr/collection/10.34847/nkl.93ee3ts1.

L’accès à la BFM est désormais possible à travers un nouveau portail Huma-Num offrant une connexion sécurisée.

Le corpus BFM2022 comprend une cinquantaine de nouveaux textes et atteint environ 6 450 000 mots. Tous les textes sont encodés selon les recommandations du consortium TEI, balisés pour le discours direct, automatiquement annotés en morphosyntaxe et lemmatisés. L’étiquetage morphosyntaxique a été vérifié pour 8 nouveaux textes (46 textes vérifiés au total, soit près de 1 million de mots) et la lemmatisation pour 27 textes (au total environ 620 000 mots). Le corpus s’enrichit également de l’édition originale du Psautier d’Arundel par C. Pignatelli.

La mise en ligne du corpus BFM2022 s’accompagne de la publication du corpus PROFITEROLE-V1-0 produit dans le cadre du projet ANR PROFITEROLE (https://www.lattice.cnrs.fr/projets/projets-passes/projet-anr-profiterole), annoté en syntaxe selon un modèle dépendentiel UD (https://universaldependencies.org).

La BFM (http://txm.bfm-corpus.org) est l’un des corpus les plus importants pour la langue et la littérature française médiévale.

Ses objectifs sont d’offrir à la communauté des chercheurs une source de données fiable (éditions de référence), riche, accessible et outillée sur la langue française médiévale et de servir de support empirique, méthodologique et technique aux projets développés dans les domaines de la linguistique, de la littérature et de la philologie médiévales.

La BFM compte plus de 300 utilisateurs inscrits et le corpus principal (BFM2016) comporte 153 textes et près de 4100000 occurrences-mots. Les textes disposent d’un encodage du discours direct et d’un étiquetage morphosyntaxique automatiques. L’étiquetage est vérifié par des spécialistes pour une trentaine d’entre eux. Les textes sont accessibles grâce à la plateforme open-source TXM et ses outils d’analyse : concordances KWIC, index de formes et de motifs, création de sous-corpus et de partitions, etc.

Le retour au texte de l’édition est toujours possible, avec éventuellement une vue synoptique du fac-similé de la source (voir l’édition numérique interactive de la Queste del saint Graal : http://catalog.bfm-corpus.org/qgraal_cm).

Les textes sont tous encodés en XML-TEI P5, et les fichiers sources, ainsi que les textes formatés pour l’impression (PDF) et le corpus « binaire » pour la version bureau de TXM, sont diffusés sous une licence libre CC BY-NC-SA 3.0 FR.

Contact : bfm [at] ens-lyon [point] fr