Ce projet fournit un corpus de données dédié à l'analyse de l'impact des transcriptions ASR (Automatic Speech Recognition) sur la résolution de coréférence en français. Les données, issues de transcriptions automatiques et manuelles, permettent d'étudier les différences de performance des modèles de traitement automatique du langage entre ces deux types de transcriptions. Le corpus est librement accessible sous licence CC BY-NC-SA 4.0 pour la recherche académique.

Ce projet est un corpus de textes poétiques en vers au format XML-TEI, développé dans le cadre d'une recherche universitaire. Il permet l'analyse automatique des formes et structures métriques des œuvres versifiées. Les données sont structurées selon les normes TEI et XML Schema, facilitant leur exploitation par des outils de traitement automatique du langage. Le corpus est maintenu par le CRISCO (Centre de Recherche Interdisciplinaire sur les Corpus) de l'Université de Caen Normandie.

EMRLearning est un projet dédié à l'analyse et au traitement automatique du langage naturel. Il permet d'extraire des synonymes à partir de grands corpus textuels, d'annoter des données pour des applications en linguistique computationnelle et de générer des modèles de langage adaptés. L'outil est particulièrement utile pour les chercheurs, les linguistes et les développeurs travaillant sur des projets nécessitant une compréhension avancée des textes.

Projet Java dédié à la reconnaissance d'auteur et à l'analyse de texte via des modèles de langage statistique. Il permet d'identifier des auteurs à partir de corpus de phrases, de calculer des probabilités de phrases, et de générer des modèles de langage pour l'évaluation de textes. Utilisé dans un cadre académique pour l'apprentissage des techniques de traitement automatique du langage.

ARA est un projet dédié à la modélisation et à l'analyse de grammaires catégorielles abstraites pour le traitement automatique des langues. Il permet de formaliser des théories linguistiques et de générer des représentations logiques à partir de discours ou de corpus textuels, facilitant ainsi l'étude sémantique et syntaxique des langues naturelles.

Ce projet vise à analyser la distribution des références spatiales dans les contributions du Grand Débat, à l'aide de modèles de traitement automatique du langage naturel. Il permet d'étudier la place occupée par les mentions de localisation et de spatialisation dans les textes du corpus du Grand Débat.

La suite Alvis est une solution de traitement automatique des langues et de gestion des connaissances utilisée dans les laboratoires scientifiques. Elle se compose de plusieurs modules, dont AlvisNLP pour le pré-traitement de corpus, AlvisAE pour l'annotation de corpus, AlvisIR pour la recherche sémantique et TyDI pour l'édition de terminologies et d'ontologies.

TREMoLo est un projet de recherche qui propose un corpus de tweets en français annoté pour l'analyse des registres de langue. Il permet aux linguistes et chercheurs en traitement automatique du langage de disposer d'un jeu de données structuré pour étudier les variations linguistiques dans les réseaux sociaux. Ce corpus est utilisé pour des travaux académiques et des applications en NLP.

Ce projet vise à améliorer le traitement automatique des textes de loi en français en utilisant des modèles avancés de NLP comme CamemBERT. Il permet de répondre à des questions posées sur des corpus juridiques, facilitant ainsi l'accès et l'analyse des réglementations. Les données, issues de Legifrance, sont annotées et transformées pour entraîner des modèles capables de comprendre et d'extraire des informations pertinentes des textes légaux.

Gargantext est une plateforme collaborative d'exploration de corpus de textes. Il combine des outils de traitement automatique des langues, de fouille de textes, d'analyse de réseaux complexes et de visualisation interactive pour permettre une analyse approfondie de grands corpus de données textuelles.