Voir la source de Breton treebank II

Le projet '''Breton treebank II''' vise à constituer un corpus annoté ''Universal Dependencies'' ([[De Marneffe & al. (2021)|De Marneffe & al. 2021]], [[Nivre & al. (2020)|Nivre & al. 2020]]), à partir des données existantes de la wikigrammaire ARBRES ([[Jouitteau (2009-)|Jouitteau 2009-]]). Il est mené par l'équipe de l'[https://autogramm.github.io/ ANR Autogramm].

Le travail consiste à extraire les données de la wikigrammaire ARBRES en les organisant dans le [https://universaldependencies.org/docs/format.html format Conll-U] qui est lisible pour la constitution du corpus richement annotés, puis de finir de remplir ce format Conll en l'instruisant des dépendances (notation SUD avec une traduction des annotations en UD). L'extraction est accessible [https://arboratorgrew.elizia.net/?#/projects/keuneud_breton ici sur github], près à l'enrichissement sur [https://arboratorgrew.elizia.net/?#/projects/keuneud_breton Arborator].

L'article ci-dessous vise à laisser la trace organisée de ce travail, et à renvoyer aux endroits précis où les questions concrètes sont discutées. 


== Ressources ==

=== un corpus UD pré-existant; Breton KEB ===

La conversion de la banque de données de la wikigrammaire en corpus UD peut s'appuyer sur l'existence du premier [https://universaldependencies.org/treebanks/br_keb/index.html treebank breton], [[Breton KEB]], hébergé [https://github.com/UniversalDependencies/UD_Breton-KEB sur GitHub] de [[Tyers & Ravishankar (2018)]]. 

Ce corpus est annoté semi-automatiquement et manuellement pour 10 000 tokens (888 phrases). L'annotation suit les recommandations de ''Universal Depedencies''. L'analyseur morphologique de [[Tyers (2009)]] pour ''Apertium'' a été utilisé pour la tokenisation et l'annotation morphologique (la composition du corpus est détaillée dans [[Tyers & Howell (2021)|Tyers & Howell 2021]]:450). Des corrections et traductions en anglais et en français ont été ajoutées à ce corpus par Mélanie Jouitteau et Johannes Heinecke en mars 2023, les quelques données agrammaticales et doublons enlevés. Ce premier corpus UD pourra permettre de pré-annoter automatiquement en dépendendances le ''Breton treebank II''.

=== premieres approches, comparaison treebank Breton KEB vs. ARBRES ===

Ci-dessous, est recopié un exemple du treebank [[Breton KEB]] de [[Tyers & Ravishankar (2018)]], puis le même exemple dans sa forme visible aux utilisateurs de ARBRES, puis enfin le code sous-jacent qu'il nécessite. 

Exemple de codage de la banque d'arbres de [[Tyers & Ravishankar (2018)]]:

 # sent_id = apertium.vislcg.txt:1:0
 # text = N'int ket aet war-raok.
 # text[fra] = Ils n'ont pas progressé.
 # labels = to_check
 1	N'	ne	ADV	adv	Polarity=Neg	4	advmod	_	SpaceAfter=No
 2	int	bezañ	AUX	vblex	Mood=Ind|Number=Plur|Person=3|Tense=Pres|VerbForm=Fin	4	aux	_	_
 3	ket	ket	ADV	adv	_	4	advmod	_	_
 4	aet	mont	VERB	vblex	Tense=Past|VerbForm=Part	0	root	_	_
 5	war-raok	war-raok	ADV	adv	_	4	advmod	_	SpaceAfter=No
 6	.	.	PUNCT	sent	_	4	punct	_	_


Le codage dans ARBRES donne le tableau ci-dessous, tel que vu par les utilisateurs. Chaque exemple est donné en breton, glosé et traduit. La ligne de gloses fournit la traduction littérale, mot-à-mots en français. Elle comprend une mention des [[mutations consonantiques]] en superscript sur son élément déclencheur (ici, l'adverbe négatif ''[[ne|ne]]'' qui provoque une [[lénition]] dans tous les dialectes, codée [[1]] en superscript. La mutation est notée même si, en l'occurrence, elle ne peut pas avoir ici d'effet car l'initiale du verbe qui suit n'est de fait pas mutable. La troisième ligne visible du tableau fournit la traduction globale de la phrase en français standard. La source est mentionnée en décrochage à droite, avec le dicalecte en italiques, suivi des références bibliographiques ou d'[[élicitation]] de la source.


{| class="prettytable" <take not>
|(1)|| N'int || ket || aet || war-raok. 
|-
||| [[ne|ne]]<sup>[[1]]</sup> [[eo|sont]] || [[ket|pas]] || [[mont|all]].[[-et (Adj.)|é]] || [[war-raok|sur-avant]]
|-
||| colspan="15" | 'Ils n'ont pas progressé.' 
|- 
||||||||| colspan="15" | ''Dialecte'', source référencée de la donnée
|}


Pour obtenir une telle visualisation, le code wiki sous-jacent est comme ci-dessous.


 0 {| class="prettytable" <take not>
 1 |(1)|| N'int || ket || aet || war-raok. 
 2 |-
 3 ||| [ [ ne ] ]<sup>[ [1] ]</sup> [ [COP|sont] ] || [ [ ket | pas ] ] || [ [ mont | allé ] ] || [ [ war-raok | sur-avant ] ]
 4 |-
 5 ||| colspan="15" | 'Ils n'ont pas progressé.' 
 6 |- 
 7 ||||||||| colspan="15" | ''Dialecte (village)'', source référencée de la donnée
 8 |}


Dans le code, les colonnes (||) de la première ligne fournissent un découpage grossier non-atomique de la donnée bretonne. Cette ligne comporte la ponctuation. Le découpage y est inégal, souvent [[prosodique]] car les éléments marqués d'une apostrophe ou d'un tiret n'y sont souvent pas séparés. Il découpe aussi parfois des blocs de [[constituants]] syntaxiques. 
La seconde ligne visible pour l'utilisateur est la ligne 3. C'est la ligne de gloses, qui fournit une tokenisation plus fine et la lemmatisation. Avec l'exemple de la négation et de sa copule, on voit que le découpage en double crochets dessine alors les sous-parties du découpage de la première ligne. Les tokens atomiques sont séparés, les [[clitiques]] y sont ainsi séparés de leur hôte.

=== équipe ===

Au niveau de l'analyse syntaxique, Mélanie Jouitteau (CR1, IKER, CNRS) et Milan Rezac (CR1, IKER, CNRS) peuvent fournir des comptes-rendus de l'état des recherches syntaxiques sur le breton. L'équipe peut aussi s'appuyer sur l'expérience de Johannes Heinecke qui développe le corpus gallois ([[Heinecke & Tyers (2019)|Heinecke & Tyers 2019]]) et travaille de longue date sur le breton ([[Heinecke (1997)|Heinecke 1997]], [[Heinecke (2001)|2001]], [[Heinecke (2002)|2002]], [[Heinecke (2003)|2003]]).

L'équipe de [https://www.modyco.fr/fr/component/jsn/kahane.html?Itemid=&back=1 Sylvain Kahane] (Modyco, CNRS, Paris) mène avec [https://llacan.cnrs.fr/p_chanard.php Christian Chanard] à l'INALCO le projet [https://autogramm.github.io/ ANR Autogramm] de développement de corpus UDs pour les langues peu dotées mène un projet de reconnaissance sur les données de la wikigrammaire ARBRES depuis 2022. Le codage est prévu en format [https://surfacesyntacticud.github.io/ SUD] avec un passage automatisé en UD. Un groupement d'intérêt exploratoire est formé avec [https://members.loria.fr/BGuillaume/ Bruno Guillaume] (LORIA, INRIA), [https://gerdes.fr/ Kim Gerdes] (LISN!, CNRS) et [http://www.llf.cnrs.fr/fr/Gens/Grobol Loic Grobol] (Modyco, CNRS et Université Paris Nanterre). En 2022, l'équipe de Paris Nanterre comprend les étudiants en master Salomé Chandora, Katharine Jiang, Aurélien Said Housseini, puis en 2023 Yingzi Liu et Yidi Huang.

Kim Gerdes dirige l'extraction automatique de l'ensemble des exemples du site. Bruno Guillaume qui a développé [http://match.grew.fr/ Grew-match] intervient à différents moments pour les allers-retours de conversion UD => [https://surfacesyntacticud.github.io/ SUD] => UD et pour la mise en ligne du treebank. Loïc Grobol coordonne le développement d'un parseur à partir des données. En parallèle, Johannes Heinecke développera un second parseur qu'on pourra comparer. Mélanie Jouitteau facilite le repérage des informations présentes sur le site qu'elle a écrit. Elle apporte à l'équipe l'expertise brittophone.

=== Programme 2023-2024 ===

: 1) re-récupération de tous les exemples du site, avec leur adresse (Kim Gerdes, Yingzi Liu)
: 2) filtrage des exemples non pertinents: contre-exs marqués d'un [[*]], doublons d'exs, non-breton, etc). La liste des traits des tableaux à éliminer est sur cette page à "élimination de tableaux". Comptage des phrases dédoublonnées.
: 3) préparation de l'annotation relationnelle à partir de la version corrigée en 2023 du corpus UD antérieur [[Breton KEB]], et d'une grammaire de conversion vers SUD_Breton-KEB@conv.
: 4) passage en Conllu
: 5) enrichissement du connlu à partir des informations indirectes fournies par le site récupérables sur la page où sur une autre page liée, et d'infiormations directes sur les paradigmes stables à travers les dialectes (concertation Mélanie Jouitteau, Yingzi Liu).

En parallèle, pré-annotation de l'échantillon standard (100 exs).

Johannes Heinecke continue de son côté d'utiliser UD, avec son interface de visualisation propre. Les analyses seront concertées sur les décisions d'annotation UD.

== Ce que ARBRES fournit pour un codage UD ==

=== dans les tableaux "prettytable" : tokens, gloses et lemmas ===

Dans l'exemple simple schématisé ci-dessous, la donnée en breton fournit une suite de mots en graphie dans la ligne 1. La ligne 3 est la ligne de gloses cliquables. Les gloses sont alignées avec les formes de surface par les colonnes (||). La ligne 5 donne la traduction de la phrase. La ligne 7 fournit des méta-données.


 0 {| class="prettytable" <take not>
 1 |(1)|| mot 1' mot 2 || mot 3 || mot 4 || mot 5-mot 6. 
 2 |-
 3 ||| [ [ lemma breton 1 | français pour mot 1 ] ] <sup>[ [ mutation déclenchée ] ]</sup> [ [ lemma 2 | français pour mot 2 ] ] || [ [ lemma 3 | français pour mot 3 ] ] || [ [ lemma 4 | français pour mot 4 ] ] || [ [ lemma 5 | français pour mot composé 5-6 ] ]
 4 |-
 5 ||| colspan="15" | 'Traduction globale de la phrase en français.' 
 6 |- 
 7 ||||||||| colspan="15" | ''Dialecte'', source référencée de la donnée : page
 8 |}


La ligne 3 est la plus importante pour l'extraction de codage. Pour les utilisateurs de la wikigrammaire, une glose, c'est-à-dire une traduction mot-à-mot, est alignée sous chaque mot breton. Cette glose en français est cliquable et amène à un article dans la wikigrammaire qui lui est dédié. Pour ce faire, le script wiki a nécessité que chaque glose soit associée à une adresse d'article dans la grammaire. Dans la syntaxe wiki, ce script est ordonné comme suit: [ [ adresse du lien | glose ] ]. L'adresse du lien forunit le lemma. La glose fournit des informations de flexion.

Par exemple grâce à un script [ [ mont | allé ] ], l'utilisatrice qui clique sur la glose ''allé'', visible pour elle juste sous le mot breton ''aet'', ouvre la page du site dédiée au verbe ''[[mont]]'' 'aller'. L'adresse du lien wiki a donc fourni le lemma ''mont'', le verbe sous sa forme infinitive. Ce lemma est associé à sa droite à la traduction française en contexte du token aligné en colonne avec lui.

=== tokenisation et découpages morphologiques ===

==== utiliser les espaces pour déceler les frontières de mots ====

Les espaces dans les gloses de la wikigrammaire sont maintenant assez consistants pour servir de repère automatique et globalement, un mot sera toujours entouré d'espaces, à l'exclusion du dernier mot de la phrase qui sera suivi d'un point. Les espaces marquent donc pour un mot sa frontière.

En gloses cliquables, les mots sont aussi détachés par des crochets :
: [ [ x | y ] ] [ [ z | t ] ] sont deux mots, y et t, associés respectivement aux adresses x et z. 
: y [ [ z | t ] ] sont deux mots (il manque encore un lemma en adresse pour ce qui est glosé /y/)
: y t sont deux mots (il manque encore deux lemmas en adresse)

: [ [ x ] ] est un seul mot - il y a coïncidence accidentelle entre la graphie du lemma breton et celle de sa glose en français, comme dans le cas de la négation préverbale ''[[ne|ne]]''. 


===== mots contenant un espace =====

Il existe un ensemble de mots discontinus, qui contiennent un espace dans leur graphie.

Le plus répandu est le verbe ''[[kaout]]'' 'avoir' lorsqu'il est conjugué (''em eus'' 'j'ai'). Cependant, il faut noter qu'on trouvera une variation dialectale due à une différence de grammaticalisations à travers les dialectes (cf. ''meus'' 'j'ai'). Le plus simple est de faire un comptage token vs. glose dans une colonne, et si il y a un lemma surnuméraire et le verbe ''[[kaout]]'' en lemma d'un des tokens, considérer qu'il s'agit d'un morphème discontinu. 

Les autres morphèmes discontinus en graphie sont ''[[en em]]'' 'se', ''[[en ur]]'' 'en', le pronom impersonnel ''[[IMP|an den]]'' 'on', le pronom relatif ''[[ar pezh]]'' 'ce que', le pronom relatif ''[[hag a]]'' /C R/ 'qui'. La particule des questions polaires ''[[hag-eñ]]'' est aussi parfois écrite sans tiret.

Certains verbes pronominaux, de sens nettement distincts de la variante du verbe seul, ont aussi un lemma en propre, comme le verbe ''[[en em gavout]]'' 'se retrouver' noté distinctement du verbe ''[[kavout]]'' 'trouver'.

==== traitement des incorporations morphologiques ====

La [[dérivation morphologique]] est inégalement prise en charge dans les gloses de la wikigrammaire. En ligne de glose, le découpage en tokens descend au niveau morphologique dans la mesure où le permettait son lectorat qui a témoigné régulièrement d'une difficulté d'accès à des formes trop décomposées. 

Les mots fusionnés sont un ensemble de plusieurs mots syntaxiques qui apparaissent en breton comme un mot opaque. Ils sont traités en ligne de glose comme des tokens distincts reliés par un point. Ainsi, la préposition ''[[P.e|e]]'' devant un article défini ''en'' 'dans le' est notée ''en'' en ligne 1 est glosée : [ [ P.e | dans ] ].[ [ art | le ] ]. La plupart des prépositions peuvent recevoir un pronom objet incorporé - on les appelle [[prépositions fléchies]]. La préposition fléchie ''ennon'' 'en moi' est glosée [ [ P.e | dans ] ].[ [ pronom incorporé | moi ] ]. La préposition ''ganin'' 'avec moi' est glosée [ [ gant | avec ] ].[ [ pronom incorporé | moi ] ], ce qui permet de récupérer deux formes différentes de pronom incorporé 1SG : ''-in'' et ''-on'', et d'associer chacune avec la préposition qui la déclenche. À noter toutefois que la traduction choisie est, en français, un pronom fort (''moi'' vs. ''me''), mais le pronom breton incorporé est un pronom faible (mais ''m'avec, t'avec, l'avec, n'avec, v'avec, z'avec'', plus en parallèle à la structure bretonne, auraient probablement déconcerté les francophones).


==== groupement des finales de plusieurs suffixes ====

Lorsqu'un seul [[affixe]] est repérable, le découpage donne directement le [[préfixe]] ou [[suffixe]] en question dans la glose, mais lorsque plusieurs affixes forment une [[finale]] complexe, l'adresse donnée pour la glose est directement cette finale complexe. 

Le nom ''distresadur'' 'transformation' est glosé [ [ di-, dis- | trans ] ].[ [ tres | form ] ].[ [ -adur | ation ] ]. Dans la page de la finale complexe ''[[-adur]]'', cette finale est décomposée dans ses différents suffixes, ''[[-ad]]'' et ''[[-ur]]''. Par le système de catégorisation de pages du wiki, on peut générer automatiquement la [[:Catégorie:Finales|liste des finales complexes]] et la [[:Catégorie:Suffixes|liste des suffixes]] répertoriés dans le site. 


La dérivation [[flexionnelle]] est prise en charge pour les pluriels des noms. Pour les pluriels simples, le morphème pluriel final apparaît séparé d'un point. Ainsi, le nom pluriel ''krouadurioù'' 'enfants' est glosé [ [ krouadur | enfant ] ].[ [ -ioù (PL.)| s ] ]. En breton, les pluriels dits "[[pluriels internes]]" ont la propriété de modifier leur [[racine]]. Le nom pluriel ''bugale'' 'enfants' est glosé [ [ bugel | enfant ] ].[ [ pluriel interne | s ] ], avec le lemma qui est la forme de surface au singulier suivi du pluriel glosé qui renvoie en adresse à la page sur les [[pluriels internes]]. 

Les morphèmes porte-manteaux de la [[flexion]] verbale, les traits de conjugaison, n'ont pas d'adresse propre. La plupart du temps ces traits de flexion verbale sont calculables par la traduction française associée, qui est donnée fléchie dans les gloses. Les traits UD sont donc récupérables dans la mesure où la morphologie verbale française est assez riche. La matrice de traits "Mood=Ind|Number=Plur|Person=3|Tense=Pres|VerbForm=Fin" du verbe breton ''int'' 'sont' peut être récupérée par la glose en français ''sont''. Cette carence dans la glose de ARBRES pour la flexion verbale pourrait en principe aussi être suppléée par les données de [https://displeger.bzh/br DVB], ''displeger verboù brezhonek'' 'conjugateur de verbes bretons' développé par par des membres de l'association ''[http://www.drouizig.org/index.php/br/ An Drouizig]'' 'Le petit Druide', des membres du commité ''[https://bedniverel.bzh/ Poellgor Bed Niverel]'' 'Commité Monde Numérique', ainsi que des membres du projet.


Un cas difficile et intéressant est posé par la tempête de variation morphologique (et syntaxique) dans le verbe et auxiliaire 'avoir'. En (2), ce verbe précédé de la négation ''[[ne|ne]]'' sous sa forme [[proclitique]] est orthographié de manière discontinue, ''o dez''. Il comporte les traits du sujet interprété sur sa gauche avec un pronom 3PL ''o'' sous une forme qui semble oblique, puis d'une initiale /d-/ typique des personnes 3 (au singulier comme au pluriel; ''en de(v)ez'' 3SGM, ''he de(v)ez'' 3SGF, ''o de(v)ez'' 3PL). La racine marque la trace de la forme dite d'habitude, qui n'est pas interprétée ou produite dans toutes les variétés sur ce verbe. On pourrait, dans le même contexte syntaxique, trouver ''n'o deus ket'' en breton standard, la notion d'habitude étant convoyée par un présent à [[lecture générique]]. Ceci implique qu'un glosage précis nécessite d'être en mesure de vérifier pour chaque variété si le morphème comprend réellement ces traits, en syntaxe comme en sémantique. Enfin, la finale pourrait être, selon les analyses, une racine dénuée à sa droite de morphème d'accord, un accord 3SG réalisé avec un élément qui n'est pas le sujet, ou encore un morphème d'accord par défaut qui ne fait qu'emprunter la morphologie 3SG et qui apparaît lorsque le sujet est exprimé ailleurs (se reporter aux analyses formelles du [[système d'accord]]). 


{| class="prettytable"
|(2)|| Ha || forzh || boued || n'o dez || ket…
|-
||| [[&|et]] || [[forzh|beaucoup]] || [[boued|nourriture]] || [[ne|ne]] 3PL 3.[[kaout|a]] || [[ket|pas]]
|-
||| colspan="15" | 'Et ils n'ont pas beaucoup de nourriture.'
|-
||||||||||| colspan="15" | ''Vannetais'', [[Herrieu (1994)|Herrieu (1994]]:90)
|}

 
Ce problème n'est pas facilement écartable car certains dialectes centraux ont, de toute façon, pour une sous-partie du paradigme, un morphème d'accord à droite du composé (''memp'' 'nous avons'), dialectes dans lesquels peuvent exister en plus des règles d'accord différentes (''ni meump'' /1PL 1.racine.1PL/ vs. ''ni neus'' /1PL 3.racine.3SG/ ou /1PL 3.racine.Ø/, 'nous avons'). Les gloses dans la wikigrammaire reflètent la diversité des données au plus près de ce qu'on en comprend scientifiquement, et cela peut être un frein à la conversion automatique. Les buts d'un traitement automatique peuvent nécessiter de faire abstraction de la variation et de se contenter de stocker les formes diverses en lien avec leur traduction française.  

 
La morphologie flexionnelle n'impacte qu'exceptionnellement les adjectifs bretons par suffixation (''mezvez'' 'saoule', glosé [ [ mezv | saoul ] ].[ [ -ez (F.)| e ] ]). Cependant, la qualité, présence ou absence de mutation sur l'adjectif renseigne sur les traits du nom qu'il modifie. En ligne de glose, la traduction de l'adjectif en français révèle les traits obligatoirement interprétables : ''an hini vrav'' la belle' est glosé [ [ art | un ] ] [ [ hini | celui ] ] < sup >[ [ 1 ] ] < /sup > [ [ brav | belle ] ]. Cet exemple permet aussi de noter que les rares éléments qui n'ont pas d'équivalent en français comme la tête nominale sémantiquement générique ''[[hini]]'' sont traduits en glose par une approximation qui a été jugée commode par le lectorat humain.

=== les abréviations dans les gloses de ARBRES ===

La wikigrammaire étant destinée en premier lieu à un lectorat humain, la partie visible du script fait un usage le plus restreint possible des acronymes, mais ils ont été incompressibles à certains endroits. Une page est dédiée à l'[[inventaire des abréviations en glose]].


===== chiffres dans les gloses =====

À noter que des chiffres apparaissent dans les gloses et font partie de systèmes différents :

* les mutations sont mentionnées par des chiffres [[1]], [[2]], [[3]], [[4]] et [[5]] en superscript collé à l'élément déclencheur de la mutation. Chaque chiffre renvoie à une série particulière de mutations.

* les traits de personne dans les paradigmes peuvent apparaître sous les formes 1, 2 et 3. Il n'y a pas de chiffre dédié à la flexion de l'impersonnel, noté [ [ IMP ] ], et traduit ''on''. J'ai évité au maximum la mention de ces traits en gloses, mais à certains endroits comme le verbe 'avoir', ils sont restés indispensables. Pour les dialectes qui ont perdu la distinction tu/vous dans les formes d'adresse, la personne 2 est aussi la seule information que l'on peut mettre.

* le chiffre 2 apparait est la traduction du morphème du [[duel]] dans les gloses. Le nom ''daoulagad'' 'yeux (par deux)' est codé [ [ duel | 2 ] ].[ [ lagad | œil ] ].

=== le lemma en adresse de la glose ===

Le lemma breton est donné sous sa forme non-dérivée, dénuée de suffixes flexionnels. 

Cela signifie dans une langue celtique que le lemma est donné au singulier pour un [[nom comptable]] mais au pluriel pour un [[nom collectif]]. Pour la flexion verbale, le lemma donné est, par convention, la forme infinitive dans la wikigrammaire comme dans UD. 

Il y a une petite divergence avec le format UD pour les formes qui ont des racines supplétives au comparatif de supériorité comme ''gwell'' ou ''gwelloc'h'' 'mieux', ou ''gwazh'' ou ''gwashoc'h'' 'pire'. UD recommande de leur assigner le lemma non-comparatif ce qui donnerait ''gwelloc'h'' 'mieux' > [ [ mat | bien ] ].[ [ -oc'h | plus] ] et ''gwasoc'h'' 'pire' > [ [ fall | mal ] ].[ [ -oc'h | plus] ], alors que la wikigrammaire a prévu de dédier un article à chaque racine irrégulière, ce qui est géré pour l'instant par des redirections ([ [ -oc'h | mieux ] ]). Ce pourrait être régularisé assez facilement. 

Les [[traits]] de tous les types de pronoms sont récupérables en glose. Le [[pronom fort indépendant]] (pfi) 1SG ''me'' 'moi' est noté en glose [ [ pfi | moi ] ], Le pronom fort indépendant  2SG ''te'' 'toi' est noté en glose [ [ pfi | toi ] ], etc. De même, le [[déterminant possessif]] (POSS) ''ma'' 'mon, ma', qui déclenche une [[mutation mixte]] (codée [[2]] en superscript), est glosé [ [ POSS | mon ] ] < sup >[ [ 2 ] ]< /sup > dans la plupart de ses occurrences. Cependant, comme le site documente la variation dialectale, les occurrences du cornouaillais de Locronan documentées dans la grammaire, où ce possessif déclenche une [[lénition]] (codée [[1]] en superscript), sont glosées [ [ POSS | mon ] ] < sup >[ [ 1 ] ]< /sup >.

Dans le cas des prépositions composées comme ''[[war-raok]]'' /sur-avant/ 'en avant', un seul lemma lui est associé. 


==== irrégularités adresse > lemma ====

L'adresse d'une glose sur ARBRES est généralement sa forme de surface avec quelques simplifications, comme flexionnelles, qui donne le mot comme on le trouverait dans un dictionnaire. Mais il existe des cas où l'adresse en glose ne correspond pas à cette forme de surface, même simplifiée. Une page est dédiée à l'[[inventaire des lemmas non-réguliers en glose]]. 

===== lemmas génériques =====

L'adresse de la glose peut renvoyer à une classe :

* les [[noms propres]] comme 'Josette' sont glosés [ [ nom propre | Josette ] ].
* les [[articles]] comme ''an'', ''al'', ou ''ar'' sont glosés [ [ art | le ] ] et ''un'', ''ul'', ou ''ur'' sont glosés [ [ art | un ] ]
* les [[noms de jours]] comme ''dilun'' 'lundi (prochain)' sont glosés [ [ noms de jours | lundi ] ]
* les [[pronoms forts indépendants]] comme ''me'' 'moi' sont glosés [ [ pfi | moi ] ] , avec une redirection automatique pfi => pronoms forts indépendants.
* tous les [[démonstratifs]] ont été mis ensemble en adresse [ [ DEM ] ], ce qui concerne deux classes, les pronoms démonstratifs (''hennezh, houmañ''…) comme les démonstratifs analytiques (''ar vuoc'h-mañ'' 'la vache-là', 'cette vache').


L'adresse de la glose, '''de façon irrégulière''', renvoie à une classe syntaxique ou sémantique dans les cas suivants :

* Les [[noms nus]], comme ''tra ebet'' 'rien du tout' ont été glosés avec [ [ noms nus | chose ] ] [ [ ebet | aucun ] ]. Cependant, la même donnée peut être glosée avec le lemma de ce nom particulier, dans notre exemple [ [ tra | chose ] ] [ [ ebet | aucun ] ]  

* Le verbe 'être' en breton a cinq formes morphologiques différentes. Le choix de l'une ou l'autre forme dépend de son placement dans la phrase ([[V1|verbe initial]] ou [[V2]]), du placement de son sujet (avant ou après lui), des traits +/- définis de ce sujet, et enfin de traits purement sémantiques (forme de situation, d'habitude, existentielle, copule). Chacune des cinq formes a aussi une variation dialectale conséquente dans sa distribution selon les critères cités. Ce verbe 'être' est le plus souvent associé à l'adresse de sa forme de surface référente débarrassée de ses traits de flexion, mais aussi, surtout pour les tournures existentielles et la copule, par des gloses sémantiques :
: [ [ E | est ] ], [ [ E | y.a ] ] et [ [ COP | est ] ]. 

La phrase ''Bara 'zo'' / pain est/ peut être glosée morphologiquement ou sémantiquement :
: [ [ bara | pain ] ] || [ [ zo | est ] ]
: [ [ bara | pain ] ] || [ [ E | est ] ]

La phrase ''Brav eo ar bara'' / beau est le pain/ peut être glosée morphologiquement ou sémantiquement :
: [ [ brav | beau ] ] || [ [ eo | est ] ] || [ [ art | le ] ] [ [ bara | pain ] ] 
: [ [ brav | beau ] ] || [ [ COP | est ] ] || [ [ art | le ] ] [ [ bara | pain ] ]


===== adresse = opération morphophonologique =====

L'adresse de la glose peut aussi renvoyer à une opération morphophonologique :

* les [[consonnes épenthétiques]] du breton sont associées à l'adresse [ [ +C ] ], quelle que soit la consonne en question 

* les [[pluriels internes]] sont associés à l'adresse [ [ pluriel interne | s ] ]

* les [[mutations consonantiques]] typiques des langues celtiques sont balisées en superscript ( < (/) sup > ). Ces mutations morphosyntaxiques sont accolées à chaque élément qui les déclenche. On marque par le chiffre [[1]] pour la [[lénition]], [[2]] pour la [[spirantisation]], [[3]] pour la [[mutation durcissante]], [[4]] pour la [[léniprovection]] et [[5]] pour la [[mutation réduite]].


===== lemmas homophones désambiguïsés =====

UD requiert que les lemmas soient fournis sous la forme de surface canonique, ce qui pose le problème des formes ambigües.

Ce problème se pose concrètement en breton pour :
* les verbes infinitifs et les [[noms déverbaux]]
* les noms différenciés par leur [[genre]] en situation (''[[pal, ar pal]]'' 'le but', ''[[pal, ar bal]]'' 'la pelle' ou ''[[taol, an taol]]'' 'le coup', ''[[taol, an daol]]'' 'la table'). 
* la forme ''eus'' de la préposition de provenance ''[[eus]]'' et la forme ''ez eus'' de la copule

Dans le dictionnaire en ligne [[Menard & Bihan (2016-)]], ces ambiguïtés sont résolues par un système de spécifieurs numériques assez régulier (''pal.1'', ''pal.2''). UD propose de classer ces homonymes dans la colonne MISC dans l'attribut optionnel LId (LId=can-1). 

Le désambiguïsateur morphologique de [[Tyers & Howell (2021)]] semble pouvoir se charger des homophones. Ce dernier pourrait peut-être être solidifié par la [[:Catégorie:Désambiguïsations|liste des pages de désambiguïsation]] qui liste dans la wikigrammaire les formes de surface pouvant être ambigus.

=== ressources pour le codage UD, hors gloses ===

En dehors du système d'annotation des données, le site a nécessité pour son développement interne des outils et listes qui pourraient directement alimenter les entraineurs d'algorithme, comme : 

* la [[Spécial:Catégories|liste des catégories]] recense les types de catégories qui ordonnent les pages du site entre elles

* la [[:Catégorie:Désambiguïsations|liste des pages de désambiguïsation]] liste tous les suffixes qui peuvent être ambigus

* la [[:Catégorie:Finales|liste des finales de mots]] liste les compositions de plusieurs suffixes existants, et les décompose

* la [[Spécial:Liste_des_redirections|liste des redirections de pages]] gère les différences d'orthographe ou de dialecte. Par exemple le verbe 'être' a un infinitif standard ''[[bezañ]]'' et une variante dialectale ''[[bout]]''. Ces deux liens mènent vers la même page, et il est possible de générer la liste exhaustive de toutes les redirections sur le site. L'exploitation de cette dernière liste nécessiterait cependant de mettre de côté les redirections concernant les ouvrages de recherche et les abréviations.    

* des inventaires trilingues par catégories grammaticales : [[inventaire des noms]], [[inventaire des adjectifs]], [[inventaire des adverbes]], [[inventaire des prépositions]] (très partiel), [[inventaire des verbes modaux]], [[inventaire des verbes lexicaux]], et par sous-catégories, [[inventaire des verbes inaccusatifs]], [[inventaire des verbes inergatifs]].


==== POS tags UD récupérables ====

Le format UD comporte en tout 17 étiquettes de parties du discours (POS tags). Le code de la wikigrammaire ne fournit qu'exceptionnellement  la [[catégorie]] grammaticale des éléments directement en glose. 
Les formes du verbe ''[[bezañ]]'' 'être' et la variation dialectale de leur distribution ont nécessité un glosage hybride allant parfois jusqu'aux racines morphologiques. Les 5 paradigmes classiquement distingués ont été séparés (''a [[zo]]'', ''[[emañ]]'', ''[[ez eus]]'', ''[[bez]]'', ''[[eo]]''), mais aussi les racines (''[[bo]]'', ''[[boe]]'', ''[[bije]]'', ''[[befe]]''). La catégorie des éléments est récupérable automatiquement par les catégorisations de pages (''eo'' est un auxiliaire car l'article de la wikigrammaire intitulé ''[[eo]]'' est catégorisé dans le site comme une page concernant un auxiliaire. Tous les éléments sont ainsi catégorisés via la page qui leur est dédiée, par exemple les [[:Catégorie:Adjectifs|adjectifs]], mais aussi avec une granularité plus fine dans la mesure où ils ont un comportement grammaticalement distinguable, les [[:Catégorie:Adjectifs de couleur|adjectifs de couleur]] (voir la [[Spécial:Catégories|liste des catégories]]). Ci-dessous, j'inventorie les catégories UD et je détaille les équivalences sur la wikigrammaire, en ajoutant une estimation des nombre de membres de chaque catégorie fin 2021. Ces chiffres vont progresser à l'avenir, surtout pour les catégories lexicales, au fur et à mesure que des exemples nouveaux alimenteront la grammaire. 

* ADJ = [[adjectif]]. Ils sont listés dans la wikigrammaire dans la [[:Catégorie:Adjectifs|liste des adjectifs]] (249 membres), auxquels on ajoute les [[numéraux ordinaux]], les [[participes]] (une partie sont mentionnés en glose par la dérivation du suffixe ''-et'').

* ADP = adposition ([[préposition]] et [[postposition]]). Ils sont listés dans la wikigrammaire dans la [[:Catégorie:prépositions|liste des prépositions]] (158 membres) et dans la [[:Catégorie:Postpositions|liste des postpositions]] (13 membres)

* ADV = [[adverbe]]. Ils sont listés dans la wikigrammaire dans la [[:Catégorie:Adverbes|liste des adverbes]] (219 membres)

* AUX = [[auxiliaire]]. Ils sont listés dans la wikigrammaire dans la [[:Catégorie:Auxiliaires|liste des auxiliaires]] (18 membres)

* CCONJ = conjonctions de coordination. Ils sont listés dans la wikigrammaire dans la [[:Catégorie:Conjonctions|liste des conjonctions]] (12 membres)

* DET = [[déterminants]]. Les déterminants sont encore à catégoriser dans le corps de la wikigrammaire, qui comprend cependant la liste des [[:Catégorie:Quantifieurs|quantifieurs]] (56 membres). Il faut rajouter les deux articles, défini ''an, al, ar'' et indéfini ''un, ul ur'', les [[déterminants possessifs]] et les complémenteurs ''[[peseurt]]'', ''[[petore]]'' 'lequel'. Attention, les pages thématiques de la grammaire ont été catégorisées sous le titre "articles", en opposition aux "fiches" de linguistique formelle.  

* NOUN = [[nom]]. Ils sont listés dans la wikigrammaire dans la [[:Catégorie:Noms|liste des noms]] (799 membres)

* VERB = [[verbe]]. Ils sont listés dans la wikigrammaire dans la [[:Catégorie:Verbes|liste des verbes]] (354 membres), auxquels on peut ajouter la [[:Catégorie:Modaux|liste des modaux]] (sauf peut-être ''[[dav]]'', ''[[ret]]'' et ''[[arabat]]'' qui ont plutôt une distribution adjectivale), et retrancher les [[verbes légers]] ''[[-a]]'', ''[[-at (Inf.)|-at]]'' et ''[[-aat]]'' qui ont une distribution suffixale.

* SCONJ = conjonction de subordination. Dans la wikigrammaire, ils sont compris dans les [[complémenteurs]]. 

* PART = particule. La particule préverbale (''[[rannig]]'') est signalée en glose par la lettre [[R]], suivie lorsque le dialecte le permet de la mutation associée à cette particule. Attention, UD classe les particules [[Q]] des questions polaires, de 'est-ce que', dans les particules, qui sont dans la wikigrammaire des [[complémenteurs]]. 

* NUM = numéral ([[numéraux cardinaux]], car les [[ordinaux]] sont classés avec les adjectifs).

* INTJ = [[interjection]]. Certaines sont signalées directement en gloses, d'autres ont chacun une page dédiée qui est catégorisée comme interjection ([[:Catégorie:Interjections|liste des interjections]]).

* PRON = [[pronom]]. Les pronoms ne sont pas identifiés directement comme pronoms dans les gloses. Seul le type du pronom y est spécifié ([[pronom fort indépendant]], [[pronom écho]], [[pronom incorporé]], etc.). 

* PROPN = [[nom propre]]. Quelques noms propres sont mentionnés comme tels en glose, mais cette pratique est récente sur le site. Il est plus sur de passer par les recensements déjà établis par d'autres programmes ([[Tyers (2008)|Tyers 2008]] les avait extraits de Wikipedia), ou de s'appuyer sur la majuscule en graphie pour les récupérer.

* PUNCT = ponctuation. Cette information est présente en graphie en ligne 1, et devrait avoir un parallèle dans la traduction française.

* SYM = symbole. Il s'agit de symboles écrits qui ne sont pas codés à ce jour dans la wikigrammaire.

* X = autre. cette notation n'a pas été nécessaire.

== Extraire les données de la wikigrammaire ARBRES ==

Les données du breton glosées traduites dans la wikigrammaire sont extraites [https://universaldependencies.org/docs/format.html sous format Conll-U] dans [http://autogramm.grew.fr/?corpus=Breton# Grewmatch].
 

=== pièges pour le traitement au kilomètre ===

==== irrégularités régulières ====

L'idée de récupération des gloses de la wikigrammaire pour générer des POS tags UD s'appuie sur le système de gloses cliquables. Pour chaque glose sous son mot breton, l'utilisateur peut cliquer et tomber sur la page traitant de ce mot.

Cela implique que sur la page dédiée à ce mot, la glose de ce mot ne sera pas, elle, cliquable (cela renverrait à la même page, et le wiki le ferait apparaître en caractères gras, rendant la glose difficilement lisible). Elle n'aura pas d'adresse et apparaîtra nue. L'exemple ci-dessous est tiré de la page "chas" 'chiens'. Ce mot apparaît en gras (entre balises ' ' ') dans la ligne 1 de breton, et apparaît nu en gloses.


 {| class="prettytable" <take not>
 |(1)|| Pet || vloaz || en deus || ho || '''chas''' ? 
 |-
 ||| [[pet|combien]]<sup>[[1]]</sup> || [[bloaz|an]] || 3SG [[kaout|a]] || [[POSS|votre]]<sup>[[3]]</sup> || chiens
 |- 
 ||| colspan="15" | 'Quel âge ont vos chiens ?'
 |-
 ||||||||||| colspan="15" | ''Standard'', [[Le Bozec (1933)|Le Bozec (1933]]:76)
 |}

=== nettoyages  ===

==== données à enlever ====

*  les données agrammaticales (les exemples de fautes)

Une donnée [[agrammaticale]] est signalée par une étoile * mise en lien donc <code><nowiki>[[*]]</nowiki></code>. Ces phrases doivent être écartées du format Conll - ce ne sont pas des phrases correctes. 
: Attention, sur le site le signe * sert à d'autres usages qu'on ne doit pas confondre, mais heureusement cela ne se retrouvera jamais dans les tableaux "prettytable". En effet, en syntaxe wiki, une étoile en début de ligne est aussi le script pour une puce (bullet point). Dans la partie diachronique de chaque article on peut aussi rencontrer des racines étymologiques avec une étoile à l'initiale, convention pour les racines étymologiques reconstruites non-attestées.

* les tableaux prettytable qui organisent des données qui ne sont pas des exemples récupérables. Ces tableaux commencent tous dans le code en :

  <code><nowiki>{| class="prettytable" <take not></nowiki></code>

==== mises en forme ====

Lorsque l'explication grammaticale le nécessitait pour le lecteur, un [[constituant]] particulier dans la phrase a été signalé entre crochets comme ceci <font color=green> [ constituant ]</font>. Le code est <code><nowiki><font color=green></nowiki></code>, avec balise de fin <code><nowiki></font></nowiki></code>. Les descriptions phonétiques en API sont également données en vert et encadrées par des crochets <code>[]</code> ou des barres obliques <code>//</code>. Les descriptions phonétiques idiosyncratiques utilisent elles une nuance de vert légèrement différente (<code>ForestGreen</code>).

Lorsque l'explication grammaticale le nécessitait pour le lecteur, un constituant a été souligné. Le balisage est <code><nowiki><u></nowiki></code> avec une balise de fin <code><nowiki></u></nowiki></code>.


===== apostrophes et bordures de mots =====

Il est tentant de considérer que l'apostrophe marque constamment une bordure de mots mais cela est trompeur. Les apostrophes sont utilisées pour des tâches très différentes. 

Une apostrophe seule est soit :

* au milieu de la lettre ''c'h'' <font color=green>/X/</font>)
: La graphie ''c'h'' est une lettre unique dans l'alphabet breton (prononcée /X/) . Heureusement, l'alphabet breton moderne ne contient jamais la lettre ''c'' dans la grande majorité des graphies. L'ensemble ''c'h'' peut être systématiquement considéré comme une seule et même lettre.

* le signal dans certaines graphies d'une réduction morphologique (''e'it'' pour ''[[evit]]'' 'pour'). Entre un clitique et son hôte, cette réduction marque la bordure de mots (''d'ar gêr'' 'à la maison')

* un élément marqué en graphie car il est présent syntaxiquement mais non prononcé, typiquement une particule, mais parfois des élisions plus importantes qui comprennent la négation (cf. '' 'forzh petra'' = ''N'eus forzh petra'' 'n'importe quoi').

* 'Le bord gauche ou droit d'une traduction.'

* quelques graphies phonétiques utilisent aussi l'apostrophe pour signaler l'accentuation de la syllabe qui suit. Cette graphie est négligeable pour exploiter les données de la wikigrammaire pour UD puisqu'on laisse ces lignes de côté.


En syntaxe wiki, <code><nowiki>''</nowiki></code> est une balise de mise en italiques, et <code><nowiki>'''</nowiki></code> est une balise de mise en caractères gras. Ils n'ont pas de balise de fin spécifique comme en html. 
* Ont été mis en italiques systématiquement les typifications du dialecte de la donnée avec une majuscule (''Cornouaillais'', ''Cornouaillais de l'Est'', ''Léonard'', ''[[Vannetais]]'', ''Breton central'', ''[[KLT]]'', ''[[Breton pré-moderne]]'', ''[[Moyen breton]]'', ''[[Vieux breton]]'', etc.). 
* Ont été mis en caractères gras systématiquement les occurrences du mot qui constitue le titre de la page (dans la page sur le nom ''ki'' 'chien', toutes les occurrences du nom ''ki'' sont en gras dans la ligne de breton, et ne comportent pas de lien dans les gloses. Les tableaux ont été utilisés plusieurs fois dans la grammaire, et il y a donc toutes les chances que ce même tableau existe ailleurs dans la grammaire, avec un autre élément en caractère gras.

===== nombre maximal des lignes dans les tableaux de données =====

Certains exemples ont par rapport à l'exemple typique des lignes supplémentaires (contexte pragmatique associé, [[API]] ou diverses graphies de prononciation, donnée dialectale et son équivalent standardisé, précisions sur la source…). Un tableau maximal contiendrait les lignes suivantes:

<pre>
{| class="prettytable"
 |(référence)|| CONTEXTE PRAGMATIQUE
 |-
 | || <font color=green> … graphie de prononciation ou API
 |-
 | || Phrase dans un dialecte breton donné
 |-
 | || ''Équivalent standardisé'' (signalé comme tel en italiques en bout de ligne)
 |-
 | || gloses || gloses ||
 |-
 | || 'Traduction globale en français.' (désambiguïsation anaphorique ou de contexte)
 |-
 | || Source première (locuteur ou ouvrage source)         
 |-
 | || Source secondaire (collecté par … ou cité par … )
 |}
</pre>
  

Ces contextes pragmatiques associés, [[API]] ou diverses graphies de prononciation sont à nettoyer.

Les données dialectales associées à leur équivalent standardisé feraient de belles paires minimales dans le corpus UD. Il faut donc les garder. 

La source des données doit impérativement être préservée.

===== notations supplémentaires et usage des couleurs =====

Un tour de parole entre interlocuteurs est signalé, pour un locuteur A, avec : <code><nowiki><font color=orange> '''A''' </font></nowiki></code>. Pour des exemples, se reporter à la page [[Réponses aux questions]].

Les [[ellipses]] sont signalées par le script <code><nowiki><font color=violet> _[''ø'']_ </font></nowiki></code>, et apparaissent en violet.

==== élimination de tableaux ====

Les tableaux "prettytable" ont aussi été utilisés pour une poignée de tableaux de paradigmes. La plupart ont été réécrits sous un autre format, mais il en reste une poignée. 

Certains tableaux présentent des données comparatives d'autres langues. Elles sont listées ici en ordre alphabétique :
: akimel o'odham, anglais, allemand, arabe, basque, chalcatongo mixtec, cimbre, cornique, dholuo, espagnol, estonien, finnois, français, [[français de Basse-Bretagne]], franco-breton, frison, gaulois, gallois, gbaya kara (Centre Afrique), gallo, hébreu, ingush, irlandais, islandais, italien, langue bantoue (Chimwi:ni), moyen danois, moyen gallois, moyen irlandais, néerlandais, o'odham, tohono o'odham, papago, romani, roumain, tchèque, tchétchène, vieux gallois, vieil irlandais, vieil italien, vieux norse.

Les données de ''[[breton pré-moderne]]'', ''vannetais pré-moderne'', ''[[moyen breton]]'', ''moyen vannetais'' ou ''[[vieux breton]]'' ne sont pas non plus à transférer dans un corpus UD de breton moderne.

== Le format Conll recevant les données de ARBRES ==

=== métadonnées ===

À chaque donnée est associé un identifiant chiffré, sent_id.

La source de chaque donnée est mentionnée dans les tableaux de ARBRES en dernière ligne, en italiques comme suit: ' ' Dialecte (location) ' ', [ [ Titre_de_page_de_la_référence | Auteur (date ] ]:page) qui est visualisable comme par exemple ''Léonard (Plougerneau)'', [[Elégoët (1982)|Elégoët (1982]]:55). Ces informations apparaissent dans le Conll comme métadonnée dans les premières lignes avec sent_id, le numéro assigné à la donnée.

Ces informations sont enrichissables en ajoutant les informations contenues dans les catégorisations des pages de référence bibliographique. Par exemple la page de la référence bibliographique [[Elégoët (1982)]] appartient à deux catégories, ''Références de corpus'' et ''Léonard'', ce qui confirme le dialecte. 

  On obtient : 
 
  dialect = Léonard
  location = Plougerneau
  source = Elégoët (1982)
  texttype = corpus (/élicitation / ouvrage de recherche / ouvrage pédagogique…)


La [[Spécial:Catégories|liste des catégories]] pertinentes comprend : 
* ''Références de corpus'', ''Ouvrages de recherche'', ''Ouvrages pédagogiques'', ''Grammaires'', ''Dictionnaires'', ''élicitations''
* ''Léonard'', ''Cornouaillais'', ''Vannetais'', ''Breton central'', ''Trégorrois''

== Guide d'annotations ==

Les recommandations de codage pour un UD breton doivent concorder au maximum avec les choix faits pour le premier treebank [[Breton KEB]]. Les questions de modification des choix initialement opérés pour KEB doivent être discutés sur le [https://github.com/UniversalDependencies/UD_Breton-KEB/issues forum github associé] à KEB. Le guide d'annotations du breton KEB est [https://universaldependencies.org/br/index.html ici].

: Quelques rappels:

* [[bet]]: pos_tag AUX:PASS
* [[particule o]]: pos_tag AUX
* [[eo]]: pos_tag AUX
* [[Bez']]: pos_tag : ?

== Points de divergences avec l'analyse du KEB ==

=== Négation ===

La [[négation]] préverbale ''[[ne|ne]]'' est traitée dans KEB comme un modifieur adverbial. Les analyses générativistes en font au contraire un [[complémenteur]] sur lequel le rannig est clitique (en standard on n'a que la forme ''ne'' mais il existe des formes ''na''  si précédé d'un nom. La négation post-verbale ''[[ket]]'' est bien un adverbe modificateur.

* [[ne]]: pos_tag complémenteur Mut=[[1]]

=== les verbes bretons ne sont pas des noms ===

Le treebank [[Breton KEB]] s'est distingué des autres langues celtiques par rapport à l'annotation des infinitifs (en breton: VERB) et les verbnouns (en gallois, irlandais, Scottish Gaelic et Manx: NOUN). 


En voici un exemple en breton, avec l'infinitif ''[[paouez]]'' 'arrêter, cesser' comme racine et ''emaon'' 'suis' comme auxiliaire (litt. /je suis à cesser finir mon livre / 'Je viens de finir mon livre'):

  1 Emaon bezañ AUX vbloc Mood=Ind|Number=Sing|Person=1|Tense=Pres|VerbForm=Fin 3 aux _ _
  2 o o AUX vpart _ 3 aux _ _
  3 paouez paouez VERB vblex VerbForm=Inf 0 root _ _
  4 echuiñ echuiñ VERB vblex VerbForm=Inf 3 xcomp _ _
  5 ma ma DET det Poss=Yes 6 det _ _
  6 levr levr NOUN n Gender=Masc|Number=Sing 4 obj _ SpaceAfter=No
  7 . . PUNCT sent _ 3 punct _ _


En gallois, le Verbnoun ''dod'' dépend du verb 'être' (''bydd'') :


  # text = Bydd o'n dod.
  # text[eng] = He will come.
  1 Bydd bod VERB verb Mood=Ind|Number=Sing|Person=3|Tense=Fut|VerbForm=Fin 0 root _ _
  2 o ef PRON indep Gender=Masc|Number=Sing|Person=3|PronType=Prs 1 nsubj _ SpaceAfter=No
  3 'n yn AUX impf _ 4 aux _ _
  4 dod dod NOUN verbnoun Number=Sing|VerbForm=Vnoun 1 xcomp _ SpaceAfter=No


C'est une question très délicate, et il est certain que lorsqu'une notation a été choisie pour un groupe de langues, essayer d'y coller au plus près est la marche à suivre. Le treebank [[Breton KEB]] a fait un choix de rupture avec les autres langues celtiques, et aussi avec la terminologie brittophone d'analyse (''anv-verb'' 'nom verbal, infinitif'). Linguistiquement, cependant, cette rupture est justifiée car on assiste en breton depuis le XVII° à l'émergence d'un système [[accusatif]], même si cela se passe inégalement selon les dialectes. Si c'est net en vannetais, les arguments sont beaucoup plus compliqués en [[KLT]] mais globalement, le système d'assignation du génitif à l'objet d'un verbe infinitif s'est effondré partout. Même le standard est touché dans son usage (restreint) des [[proclitiques objets]], car il suit l'usage léonard et ce qui a été anciennement un pronom oblique génitif s'y retrouve aussi sur les verbes tensés (voir la section 'La question des propriétés nominales des infinitifs' sur la page des [[verbes infinitifs]], et surtout la page des [[pronoms proclitiques objets]]). Milan Rezac prévoit un article spécifique sur ce sujet (> été 2024), et les articles de ARBRES qui restent flous sur l'émergence de cet accusatif vont être réécrits.

=== réfléchi ''en em'' ===

En format UD, les [[réfléchis]] et [[réciproques]] (''En em c'houlenn a ran'' ou ''En em gannet out c'hoazh ?'') sont étiquetés PRON ("expl" comme pour "se" dans des treebanks français ou italiens). Dans le treebank [[Breton KEB]] (v2.9), ''en em'' unité fixe avec le ''em'' dépendant du ''en'' (relation "fixed"), ce qui est justifié car le bloc ''[[en em]]'' n'est jamais séparé et est invariable en breton moderne. Beaucoup de dialectes disent d'ailleurs ''num'', ''nõm''. Dans le treebank [[Breton KEB]], le AUX comme UPOS (et le "aux" comme deprel) sont étranges. 


  # text[fra] = Je me lave.
  # labels = to_check
  1 Me prpers PRON prn Case=Nom|Number=Sing|Person=1|PronType=Prs 4 nsubj _ _
  2 en en AUX vpart Reflex=Yes 4 aux _ _
  3 em em X x _ 2 fixed _ _
  4 walc'h gwalc'hañ VERB vblex Mood=Ind|Number=Sing|Person=3|Tense=Pres|VerbForm=Fin 0 root _ SpaceAfter=No
  5 . . PUNCT sent _ 4 punct _ _


Johannes et Mélanie suggèrent un PRON et un "(i)obj" comme deprel. Le ''se'' roman a des usages de ''middle'' comme ''La tour Eiffel se voit de loin'' qu'on ne retrouvera en breton que dans des préfixes comme ''[[he-]]'' (''hewalc'h'' 'lavable, qui se lave') ou ''[[em-]]'' (''emwalc'h'' 'qui se lave, auto-nettoyant').


=== prépositions à objet incorporé ===

Dans le codage UD, une préposition est dépendante de son objet, ce qui la rapproche d'un marquage casuel. Dans le cas des prépositions celtiques où l'[[prépositions fléchies|objet est incorporé dans la préposition]] et crée un paradigme, cela implique qu'un pronom incorpore dans son dépendant.  


=== mutations ===

Dans le KEB, rien n'est indiqué pour repérer spécifiquement les mutations (pour les retrouver il faut comparer forme et lemme)

* Pour [https://github.com/UniversalDependencies/UD_Irish-IDT UD Iris IDT], les mutations sont indiquées comme un trait morphologique (non standard pour UD), "Form=Len" par exemple indique une lénition.

Pour l'instant, on garde les mutations indiquées en glose dans la colonne MISC du mot qui a muté

* Un trait "Mut=…", par exemple "Mut=1" pour une lénition, qui indique le type de mutation
* Un trait "MutChoice=left|right" qui indique si le type de mutation dépend du mot muté (right) ou du déclencheur (left). Par exemple "MutChoice=right" indique que le type de mutation dépend du mot muté.

=== du minimalisme à SUD ===

Le formalisme de SUD est plus confortable en venant du [[cadre générativiste]] car contrairement à UD, SUD reconnaît les [[têtes]] [[fonctionnelles]] comme régissant le syntagme qu'elles dominent. 

Des différences persistent cependant. 
* Dans le groupe nominal, c'est le nom qui est désigné comme la tête.
* Les arguments des noms sont considérés comme des modificateurs (''a date with his girlfriend'' avec ''with'' modifiant ''date'').
* Les [[quantifieurs]] apparaissent selon leur catégorie (''in full military regalia'' a ''full'' comme un adjectif).

La variante d'UD "Enhanced UD", comme SUD, peut accommoder des éléments phonologiquement vides. En breton, c'est adapté pour les cas des [[morphèmes vides]], des [[pronoms vides]], dont l'[[explétif vide]], du [[complémenteur vide]], ou enfin pour le [[rannig]] ou les [[articles]] dans les dialectes qui les prononcent rarement.

== Terminologie ==

* Le [https://universaldependencies.org/docs/format.html format Conll-U]

* Le [https://surfacesyntacticud.github.io/ codage SUD], ses [https://surfacesyntacticud.github.io/guidelines/u/relations/subj/ guidelines], ou [https://github.com/surfacesyntacticud/guidelines/blob/master/content/guidelines/u/relations/subj.md guidelines]
: forum sur l'annotation SUD: [https://github.com/surfacesyntacticud/guidelines/issues issues]


== Bibliographie ==

=== sur le format UD ou SUD ===

* De Marneffe, Marie-Catherine , Christopher D. Manning, Joakim Nivre, Daniel Zeman. 2021. 'Universal Dependencies', ''Computational Linguistics''  47:2, 255–308. [https://direct.mit.edu/coli/article/47/2/255/98516/Universal-Dependencies texte].

* Gerdes, Kim, Bruno Guillaume, Sylvain Kahane & Guy Perrier. 2019. 'Pourquoi se tourner vers le SUD : L'importance de choisir un schéma d'annotationen dépendance surface-syntaxique', ''Actes des Journées scientifiques « Linguistique informatique, formelle et de terrain »'', Orléans, France. [https://gerdes.fr/papiers/2019/textLiftOrl%C3%A9ansNov2019.pdf texte].

* [[Guibon & al. (2020)|Guibon, Gaël, Marine Courtin, Kim Gerdes, & Bruno Guillaume. 2020]]. 'When Collaborative Treebank Curation Meets Graph Grammars', ''Proceedings of The 12th Language Resources and Evaluation Conference'', Marseille, France, European Language Resources Association, 5293--5302, [https://www.aclweb.org/anthology/2020.lrec-1.651 texte].

* Nivre, Joakim, Marie-Catherine De Marneffe, Filip Ginter, Jan Hajič, Christopher D. Manning, Sampo Pyysalo, Sebastian Schuster, Francis Tyers, and Daniel Zeman. 2020. 'Universal Dependencies v2: An Evergrowing Multilingual Treebank Collection', ''Proceedings of the Twelfth Language Resources and Evaluation Conference'', 4034–4043, Marseille, France. European Language Resources Association. [https://aclanthology.org/2020.lrec-1.497/ texte].

* Osborne, Timothy & Kim Gerdes. 2019. 'The status of function words in dependency grammar: A critique of Universal Dependencies (UD)', ''Glossa: a journal of general linguistics'' 4:1, p.17. doi: https://doi.org/10.5334/gjgl.537.



=== Penn annotations ===

* Kroch, Anthony & Ann Taylor. 2000. ''The Penn-Helsinki Parsed Corpus of Middle English (PPCME2)'', Department of Linguistics, University of Pennsylvania. CD-ROM, second edition, release 4 (http://www.ling.upenn.edu/ppche-release-2016/PPCME2-RELEASE-4).

* Kroch, Anthony., Beatrice Santorini, & Lauren Delfs. 2004. ''The Penn-Helsinki Parsed Corpus of Early Modern English (PPCEME)'', Department of Linguistics, University of Pennsylvania. CD-ROM, first edition, release 3 (http://www.ling.upenn.edu/ppche-release-2016/PPCEME-RELEASE-3).

* Marcus, Mitchell, Beatrice Santorini, & Mary Ann Marcinkiewicz. 1993. 'Building a large annotated corpus of English: The Penn Treebank', ''Computational linguistics'' 19, 313-330. Reprinted in Susan Armstrong (éd.), 1994, ''Using large corpora'', Cambridge, MA: MIT Press. 273-290. 


[[Category:Ressources|Categories]]
[[Category:bases de données|Categories]]
[[Category:TAL|*06|Categories]]