Le corpus BAF: Description

Description

Le corpus BAF est un ensemble de paires de documents anglais et français, traductions l'un de l'autre, dont les phrases ont été alignées: pour chaque segment de texte dans une version, on a déterminé quel était le segment correspondant dans l'autre version. Les alignements sont de type "Gale & Church", c'est-à-dire qu'ils prennent la forme de "segmentations parallèles", telles que le n-ième segment d'un fichier dans une langue correspond toujours au n-ième segment dans l'autre langue.

Les documents présentement disponibles sont les suivants:

  • Hansard - Journal des Débats de la Chambre des Communes (Canada). Séance du 14 mars 1994.

    Ces documents ont été légèrement édités, de façon à éliminer les codes de mise en page. Les annotations identifiant la langue source ont été préservées.

    Taille: 55625 mots anglais, 58994 mots français

    Fichiers: français, anglais, alignement COAL,
    français CES, anglais CES, alignement CES,
    version HTML,
    français one-line, anglais one-line .

  • Cour suprême du Canada (1995). Terrence Wayne Burlingham c. Sa majesté la Reine.

    Ce document provient du Centre de recherche en droit public de la Faculté de droit de l'Université de Montréal. La version anglaise a été téléchargée en format "texte", puis convertie en format UNIX à l'aide de l'utilitaire dos2unix. La version française était en format WordPerfect 5.1, nous l'avons simplement sauvegardée en format texte (ISO latin) à partir du logiciel de traitement de texte.

    Taille: 31092 mots anglais, 33170 mots français

    Fichiers: français, anglais, alignement COAL,
    français CES, anglais CES, alignement CES,
    version HTML,
    français one-line, anglais one-line.

  • UN International Labor Organization (1985). 241st and 242nd Reports of the Committee on Freedom of Association.

    Il s'agit des fichiers men05b03 et mfr05b03 du Corpus multilingue ECI, dans lesquels nous avons éliminé le markup SGML (!).

    Taille: 145346 mots anglais, 153061 mots français

    Fichiers: français, anglais, alignement COAL,
    français CES, anglais CES, alignement CES,
    version HTML,
    français one-line, anglais one-line.

  • UN (1993). Report of the Secretary-General on the Work of the Organization.

    Ces documents étaient en format WordPerfect. Après sauvegarde en format "texte", nous avons programmatiquement ajouté un retour de chariot devant chaque paragraphe numéroté, puis ajusté les lignes à un maximum de 72 caractères, afin d'en faciliter la lecture pour les "aligneurs".

    Taille: 48407 mots anglais, 54869 mots français

    Fichiers: français, anglais, alignement COAL,
    français CES, anglais CES, alignement CES,
    version HTML,
    français one-line, anglais one-line.

  • Articles scientifiques
    • Geoffroy, Catherine (1994). Les technologies de communication de l'information et les aîné(e)s. Rapport technique du CITI.

      L'original français et sa traduction en anglais ont été obtenus de documents WordPerfect 5.1 par sauvegarde en format texte (ANSI Text). On a ensuite recodé les fins de ligne en "format UNIX" (programme dos2unix).

      Taille: 20664 mots anglais, 23068 mots français

      Fichiers: français, anglais, alignement COAL,
      français CES, anglais CES, alignement CES,
      version HTML,
      français one-line, anglais one-line.

    • Isabelle et al.(1993), Translation Analysis and Translation Automation, dans TMI-93, Kyoto, Japon.

      La version originale (anglaise) a été obtenue à partir d'un document FrameMaker, que nous avons sauvegardé en "format texte". Ce faisant, nous avons perdu les équations et les notes en bas de page. La traduction française, qui est disponible sous forme de rapport technique du CITI, provient d'un document WordPerfect 5.1. Encore ici, nous avons simplement effectué une sauvegarde en format texte. Nous avons ensuite éliminé manuellement, dans les deux versions, le contenu des tableaux (dans certains cas, nous avons préservé les titres de ceux-ci).

      Taille: 6570 mots anglais, 7637 mots français

      Fichiers: français, anglais, alignement COAL,
      français CES, anglais CES, alignement CES,
      version HTML,
      français one-line, anglais one-line.

    • Lapointe, François (1995). Changement technologique et organisation du travail. Rapport technique du CITI.

      L'original français et sa traduction ont été obtenus de documents WordPerfect 5.1 par sauvegarde en format texte (ASCII). On a ensuite recodé les textes en ISO8859-1 (programme recode).

      Taille: 12480 mots anglais, 12574 mots français

      Fichiers: français, anglais, alignement COAL,
      français CES, anglais CES, alignement CES,
      version HTML,
      français one-line, anglais one-line.

    • Macklovitch, Elliott (1995), Peut-on vérifier automatiquement la cohérence terminologique? dans les Actes des IVes journées scientifiques, Lexicommatique et Dictionnairiques, Lyon, France.

      L'original est la version anglaise, qui est disponible sous forme de rapport technique du CITI. Elle a été obtenue d'un document FrameMaker, sauvegardé en "format texte" (élimination des figures, tableaux et notes en bas de page). La traduction française a été obtenue d'un document WordPerfect 5.1, aussi par sauvegarde en format texte.

      Taille: 6984 mots anglais, 7158 mots français

      Fichiers: français, anglais, alignement COAL,
      français CES, anglais CES, alignement CES,
      version HTML,
      français one-line, anglais one-line.

    • Simard, Michel (1995), Réaccentuation automatique de textes françaisRapport technique du CITI.

      L'original (français) et sa traduction proviennent de documents FrameMaker, sauvegardés en format texte (élimination des figures, tableaux, notes en bas de page et équations).

      Taille: 3243 mots anglais, 3298 mots français

      Fichiers: français, anglais, alignement COAL,
      français CES, anglais CES, alignement CES,
      version HTML,
      français one-line, anglais one-line.

  • Texte littéraire: Verne, Jules. De la terre à la lune.

    La version originale française a été obtenue de l'Association des Bibliophiles Universels. La traduction anglaise, quant à elle, provient du Project Gutenberg. Cette version incorpore aussi la traduction de la "suite", c'est-à-dire Autour de la lune, que nous avons bien sûr éliminé. Dans les deux versions, nous avons aussi éliminé tout le matériel "extra-textuel" (copyright, notes, etc.), de même qu'une table des matières qui n'apparaissait que dans la version anglaise.

    Taille: 40161 mots anglais, 53181 mots français

    Fichiers: français, anglais, alignement COAL,
    français CES, anglais CES, alignement CES,
    version HTML,
    français one-line, anglais one-line.

  • Document technique: Xerox Corporation, ScanWorX User's Guide

    L'original anglais et son adaptation française proviennent du Corpus multilingue ECI (documents eng19a.eci et fre19a.eci). Nous avons éliminé l'entête standard du ECI.

    Note importante: Ce document comporte en annexe un important glossaire. Comme les termes y sont classés en ordre alphabétique, leurs définitions n'apparaissent généralement pas dans le même ordre dans les deux versions. Nous avons choisi de ne pas aligner cette région de texte, qui apparaît donc dans l'alignement comme une paire de volumineux segments.

    Taille: 39328 mots anglais, 46828 mots français

    Fichiers: français, anglais, alignement COAL,
    français CES, anglais CES, alignement CES,
    version HTML,
    Les versions one-line de ces fichiers ne sont pas disponibles.

Encodage des données

Les alignements du corpus BAF sont présentement disponibles en deux formats:

  • Encodage COAL (Character Offset Alignment): C'est le format "original". Dans ce format, les fichiers d'origine sont laissés intacts, et l'alignement est storé dans un troisième fichier, et représenté comme une suite de paires d'indices
     [(s1,t1), (s2,t2), ..., (sN, tN)]
    

    où les paires (s,t) correspondent à des points de segmentation, exprimés en terme de position relative de caractères (character offset).

    Concrètement, chaque ligne du fichier d'alignement correspond à un point de segmentation, et a le format

    ENTIER TAB ENTIER { TAB COMMENTAIRES }
    

    Par convention, dans notre corpus, le premier entier fait toujours référence à une position dans le fichier français et le second entier à une position dans le fichier anglais. S'il y a un commentaire, il se rapporte au segment précédent le point de segmentation.

     

  • Format HTML: Ce format est généré automatiquement à partir du format COAL, pour des fins de visionnement. Pour "voir" les alignements, il est nécessaire d'utiliser un fureteur qui traite les tables et les couleurs (NetScape 2.0 et +, IE, autres?)
  • Format one-line: Transformation du format COAL en deux fichiers dont les lignes correspondent une à une à des parties alignées dans le texte.
  • Attention: ces fichiers peuvent être volumineux!