Ce projet est réalise dans le cadre de notre première année de master TAL cohabilité par l'INALCO, Paris III et Paris X. Il met en oeuvre la récupération, l'extraction de données, l'automatisation de cette extraction et la programmation de l'analyse de patrons morphosyntaxiques extraits des flux RSS du Monde sur l'année 2015.

La boîte à outils n°1 comporte un script de récupération des données, la boîte à outils n°2 permet l'automatisation de l'extraction par la mise en place d'une chaîne de traitement sur plusieurs fichiers, la boîte à outils n°3 extrait les patrons morphosyntaxiques choisis et la boîte à outils n°4 donne une représentation graphique des résultats obtenus.

Ce projet, dans un cadre universitaire, nous permettra d'étudier la réalisation d'une chaîne de traitement sur un grand corpus mais aussi la gestion de données au format XML et leur réutilisation.

Le traitement du contenu des flux RSS du journal Le Monde nous a permis d'extraire des patrons morphosyntaxiques. Notre analyse porte sur l'évaluation de la quantité de données nécessaires ou non à une analyse profonde.

A partir des flux RSS, nous avons traité à la fois des données de surface -les titres et descriptions des articles- et des données de profondeur -le contenu complet des articles. Ceci nous sert à faire une comparaison entre les deux résultats et donc à évaluer la pertinence de ces derniers sur le contenu de surface, que l'on peut considérer comme des échantillons.

La question porte donc sur le lien entre les données de surface et de profondeur, s'il est nécessaire de traiter les données de profondeur ou si les données de surface fournissent des résultats significatifs et satisfaisants. Pour ce faire, nous avons analysé, dans un premier temps, les ensembles nom-préposition-nom-préposition-nom- et -nom-adjectif-adjectif.