Qualité du corpus

Evaluation de la qualité du corpus PRESTO

Pour évaluer la qualité actuelle [version 10_07_2018] du corpus Presto, nous nous cantonnerons ici à son niveau contrôlé et à sa version échantillonnée (voir « Présentation du corpus »).

Nous nous donnons les instruments de mesure suivants :

Mesure de la continuité du corpus

[C1] Continuité « temporelle » ¹ : pour chaque décennie, dispose-t-on d’au moins

C1a

1 œuvre dont la date d’édition originale est incluse dans cette décennie ?

C1b

2 œuvres dont (…)?

C1c

3 œuvres dont (…)?

C1d

4 œuvres dont (…)?

[C2] Continuité « générique » : pour chaque décennie, dispose-t-on d’au moins

C2a

1 champ générique commun avec toutes les autres décennies ?

C2b

2 champs génériques communs avec (…)?

C2c

3 champs génériques communs avec (…)?

C2d

4 champs génériques communs avec (…)?

Mesure de la variété du corpus

[C3] Variété des genres discursifs : pour chaque décennie, dispose-t-on d’au moins

C3a

1 champ générique ?

C3b

2 champs génériques ?

C3c

3 champs génériques ?

C3d

4 champs génériques ?

[C4] Variété des auteurs : pour chaque décennie, dispose-t-on d’au moins

C4a

2 auteurs distincts (entre eux) dans la décennie et distincts des auteurs présents dans la décennie précédente ?

C4b

3 auteurs distincts (…)?

C4c

4 auteurs distincts (…)?

Le diagramme suivant synthétise le degré (en %) de réussite² de chacun de ces critères :

A la lecture de ce diagramme, on peut grosso-modo considérer que Presto réalise de manière satisfaisante (% ≥ 80) le « profil » suivant :

• Continuité :

  • temporelle : chaque décennie possède (presque toujours) au moins trois textes

  • générique : chaque décennie partage (presque toujours) au moins deux champs génériques avec les autres décennies

• Variété :

  • des genres : chaque décennie possède (presque toujours) au moins trois champs génériques

  • des auteurs : chaque décennie possède (presque toujours) au moins trois auteurs distincts au sein de la décade et distincts aussi par rapport à la décennie qui précède.

Quelles améliorations à apporter au corpus Presto dans un avenir proche ?

Il est utile, avant toute prescription, de mieux cerner pour chacun des siècles du corpus la « réussite » des critères énoncés grâce aux diagrammes suivants :

XVI^e s.

XVII^e s.

XVIII^e s.

XIX^e s.

XX^e s.

Il apparaît nettement (et sans grande surprise) que le sous-corpus du XVI^e s. vérifie le moins bien (< 80%) la plupart des critères (1/3 seulement ≥ 80 % ). Plus on s’approche du XX^e s. plus les critères sont vérifiés.

Moins attendue peut-être est la mauvaise performance du sous-corpus XVII^e s. pour les critères C1d (quatre œuvres distinctes dans chaque tranche), C2c³ (au moins 3 champs génériques communs avec toutes les autres tranches), C3d (au moins 4 champs génériques distincts) et C4c (4 auteurs distincts à la fois dans la décennie, et distincts des auteurs réunis dans la décennie qui précède).

L’amélioration de la qualité de notre corpus passera par i) la numérisation de nouveaux textes, ii) la collaboration avec nos bases partenaires iii) la recherche de textes dans Wikisource.