Description du projet de 2014 : Une équipe pluridisciplinaire de linguistes et d’informaticiens a recueilli plus de 88 000 SMS authentiques en français à Montpellier, en 2011. Cette collecte a été effectuée dans le cadre du projet sud4science LR (, Sud4science Languedoc Roussillon. Mutation des pratiques scripturales en communication électronique médiée (financement principal : MSH-M)), lui-même faisant partie du projet international sms4science , coordonné par le CENTAL à l’Université catholique de Louvain (UCL) en Belgique. Lors du recueil des SMS, un questionnaire sociolinguistique a également été proposé aux participants. Les SMS du projet sud4science LR ont été ensuite anonymisés de manière semi-automatique (en collaboration avec des étudiants stagiaires et un juriste-CIL, Nicolas Hvoinsky, (DAJI, Université Paul-Valéry), puis partiellement transcodés (en français standardisé) et annotés (cf. Panckhurst et al. 2013, Panckhurst 2013, Panckhurst et Moïse 2014). La MSH-M (Maison des Sciences de l’Homme de Montpellier), la DGLFLF (Délégation générale à la langue française et aux langues de France) et le CNRS (PEPS ECOMESS, HuMaIn) ont soutenu ce travail. Les chercheurs remercient chaleureusement le correspondant informatique et libertés, CIL, Nicolas Hvoinsky de les avoir accompagnés et conseillés sur le plan juridique, ainsi que sa directrice, Stéphanie Delaunay (DAJI, Université Paul-Valéry Montpellier), tout au long de leur projet ; Cédrick Fairon, Louise-Amélie Cougnon, Hubert Naets, Cental, Université Catholique de Louvain, qui ont accompagné l'équipe dans le cadre du projet international SMS4science. Ils remercient vivement leurs étudiants stagiaires : Anthony Stifani (étudiant en Master Information et Communication à l’Université Paul-Valéry Montpellier 3), qui a manuellement analysé une partie des SMS, permettant ainsi d’évaluer le système d’anonymisation ; Pierre Accorsi et Namrata Patel (étudiants en Master d’Informatique à l’Université de Montpellier), qui ont développé le système informatisé Seek&Hide, permettant d’anonymiser le corpus ; Frédéric André, Yosra Ghliss, Camille Lagarde-Belleville et Michel Otell (étudiants en Master de Sciences du Langage à l’Université Paul-Valéry Montpellier 3) qui ont procédé à l’anonymisation manuelle en ligne à l’aide de Seek&Hide et à la vérification de l’anonymisation automatique du corpus ; Reda Bestandji, Ahmed Loudah, Aghiles Lounes, Zakaria Mokrani, Takfarinas Sider, Tarik Zaknoun (Master I Informatique, Spécialité : « Informatique pour les sciences », Université Montpellier) qui ont travaillé sur un système de transcodage automatique.

En 2016, le corpus initial a été mis au format TEI dans le cadre du projet CoMeRe (Communication médiée par les réseaux). La structure TEI utilisée est une extension de TEI pour les genres de CMC. Cette extension est développée par un projet européen dont les participants sont : Michael Beißwenger (DE), Thierry Chanier (FR), Isabella Chiari (IT), Maria Ermakova (DE), Maarten van Gompel (NL), Iris Hendrickx (NL), Axel Herold (DE), Henk van den Heuvel (NL), Lothar Lemnitzer (DE), Angelika Storrer (DE).

Description of 2014 project: A pluridisciplinary team of linguists and computer scientists collected more than 88,000 French authentic text messages in Montpellier (2011), as part of the sud4science LR project (, Sud4science Languedoc Roussillon. Mutation des pratiques scripturales en communication électronique médiée (main financial support: MSH-M)). This project is part of a vast international project entitled sms4science , coordinated by the CENTAL at Université catholique de Louvain (UCL) in Belgium. Participants from the general public, who donated their SMS to science, were also able to fill in a sociolinguistic questionnaire. The text messages from the sud4science LR project were then semi-automatically anonymised (in collaboration with student internships and a legal adviser-CIL, Nicolas Hvoinsky, DAJI, Université Paul-Valéry), before being partially transcoded (into standardised French) and annotated (cf. Panckhurst et al. 2013, Panckhurst 2013, Panckhurst et Moïse 2014). The MSH-M (Maison des Sciences de l’Homme de Montpellier), DGLFLF (Délégation générale à la langue française et aux langues de France) and the CNRS (PEPS ECOMESS, HuMaIn) provided the main financial support for the project. The researchers thank: Nicolas Hvoinsky (CIL), and his director, Stéphanie Delaunay (DAJI, Université Paul-Valéry Montpellier 3), who accompanied and legally advised the team throughout the project; Cédrick Fairon, Louise-Amélie Cougnon, Hubert Naets, Cental, Université Catholique de Louvain, who accompanied the team within the framework of the international SMS4science project; Student work and internships: Anthony Stifani (Master’s student in Information and Communication, Université Paul-Valéry Montpellier 3), who manually analysed many of the text messages, thus allowing evaluation of the anonymisation system; Pierre Accorsi and Namrata Patel (Master’s students in Computer Science at the Université de Montpellier), who developed the ‘Seek&Hide’ software, used to anonymise the corpus; Michel Otell, Camille Lagarde-Belleville, Frédéric André and Yosra Ghliss (Master’s students in Language Sciences, Université Paul-Valéry Montpellier 3) who performed the online manual anonymisation with ‘Seek&Hide’ and verified the automatic anonymisation of the corpus; Aghiles Lounes, Tarik Zaknoun, Zakaria Mokrani, Reda Bestandji, Takfarinas Sider, Ahmed Loudah (Master’s students in Computer Science, Université de Montpellier) who worked on an automatic transcoding system.

The initial corpus has been converted to TEI standard in the project CoMeRe (Communication Médiée par les Réseaux) . The TEI structure used is an extension of TEI for CMC genres. This extension is developped by a European project whose participants are : Michael Beißwenger (DE), Thierry Chanier (FR), Isabella Chiari (IT), Maria Ermakova (DE), Maarten van Gompel (NL), Iris Hendrickx (NL), Axel Herold (DE), Henk van den Heuvel (NL), Lothar Lemnitzer (DE), Angelika Storrer (DE).

The current corpus cmr-88milsms-tei-v1 has been built out of the 2014 version: . The following changes has been made: 1) Changes on "88milSMS_88522_emoji-utf8.xml" in order to become fully XML compatible 2) POS tagging of emoticons (may be not exhaustive). Note: emojis had already been tagged in the source file, 2014 3) Computations on participants and integration of their descriptions in particDesc 4) Transformation of the new XML file obtained in 1) into TEI-CMC 5) Description of the teiHeader

Contents of messages have been anonymised by the corpus compiler in 2014. Encoding of anonymisation has been standardized through all CoMeRe corpora. See fsDecl for more details and the following document cmr-88milsms-guide.pdf

post correspond to one SMS

CMC Environment

• sms: Definition of the modality SMS. Type of messages used in SMS.

Structure of interactions

• post: one post corresponds to one SMS.
  • xml:idID of the posting.
  • when-iso is the date of message collected by the system, i.e. the date the participant sent it to the system. It may not correspond to the date the message has been sent to its adressee. Accordingly, one participant may have sent her messages to her correspondants at different times, but may have assembled her messages and sent them together to the system/server.
  • who is the anonymised telephone number. Hence one ID identifies one participant over the whole corpus. If messages sent by the same participant (sender) may be studied, it should be noted that we have no information about the receiver.
  • type type of message cf. taxononomy.
• distinct: This element has been used to tag emoticons and emojis, with a specific feature structure for the description of the emojis (see

Data Collection

Data collected : From 2011-09-15 to 2011-12-15
location: SMS collected at the Université Paul-Valéry Montpellier 3. Montpellier, France 7009369

Language of the data: français

Types of interaction

• channel: mode: w, Short Message Service
• constitution: type: single, Participants, mainly living in the area of Montpellier (see partDesc for detailed locations), agreed to give their SMS to .
• derivation: type: original,
• domain: domain of a message: business or domestic
• factuality: type: fact,
• interaction: type: complete, active: single,
• preparedness: type: spontaneous,
• purpose: open, i.e. several possible purposes

Extracts of Participants

Information on participants has been extracted from the file cmr-88milsms-participants_questionnaire_reponses.ods". Data have been extracted and recomputed in 2016 during the TEI-CMC process, see cmr-88milsms-participants_questionnaire_reponses-v2.ods.occupation only indicates whether a participant was a student or pupil or had another occupation when SMS were collected. tag of langknown coded following Language coded following ISO 639-3. n of education corresponds to the codes for educational attainment related to ISCED - International Standard Classification of Education, 2011, Unesco. The contents of educationrefers to the French educational system. In order to obtain the n we have recomputed data from the previous ODS file, which did not explicitly mention whether people had attained an educational level or were still studying at this level. For information on phone usage see fsdDecl

• Person ID: cmr-88milsms-p123
  sex: male,
  age: value: 24, ,
  residence: France 34 ,
  occupation: student_pupil,
  langKnowledge: First language / mother tongue ,
  education: n: 6, bac_5,
  fs: phone_type( "keyboard" ), years_usage( "5+" ), week_posts( "20+" ), t9_usage( "no" ),

• Person ID: cmr-88milsms-p271
  sex: male,
  age: value: 12, ,
  residence: France 34 ,
  occupation: non_student,
  langKnowledge: First language / mother tongue ,
  education: n: 2, college,
  fs: phone_type( "smartphone_keyboard" ), years_usage( "1+" ), week_posts( "100+" ), t9_usage( "no" ),

• Person ID: cmr-88milsms-p332
  sex: female,
  age: value: 20, ,
  residence: France 34 ,
  occupation: student_pupil,
  langKnowledge: First language / mother tongue ,
  education: n: 5, bac_3,
  fs: phone_type( "smartphone_touchpad" ), years_usage( "5+" ), week_posts( "50+" ), t9_usage( "yes" ),

• Person ID: cmr-88milsms-p452
  sex: female,
  age: value: 18, ,
  residence: France 34 ,
  occupation: non_student,
  langKnowledge: First language / mother tongue ,
  education: n: 3, bac_2,
  fs: phone_type( "smartphone_touchpad" ), years_usage( "5+" ), week_posts( "20+" ), t9_usage( "yes" ),

Publisher(s)

• ORTOLANG (Outils et Ressources pour un Traitement Optimisé de la LANGue), Nancy:France http://www.ortolang.fr
• CoMeRe (Communication Médiée par les Réseaux) contact@comere.org http://comere.org

Date: 2016-09-01

Identifier(s)

uri: cmr-88milsms-tei-v1
url: https://hdl.handle.net/11403/comere/cmr-88milsms/cmr-88milsms-tei-v1

Licence

http://creativecommons.org/licenses/by/4.0/

This corpus can be freely distributed and shared subject only to attribution. The way to reference / cite the corpus is given in the titleStmt

Credits

• Sponsor(s): Maison des Sciences de l'Homme de Montpellier Maison des Sciences de l'Homme de Montpellier 17 rue de l'Abbé-de-l'Épée 34090 Montpellier FRANCE
  
• Sponsor(s): Délégation générale à la langue française et aux langues de France Délégation générale à la langue française et aux langues de France 6 rue des Pyramides 75001 Paris FRANCE
  
• Sponsor(s): Consortium Corpus-écrits La création de l’Infrastructure de Recherche CORPUS (Coopération des Opérateurs de Recherche Pour un Usage des Sources numériques) a ouvert la possibilité de constituer un consortium linguistique spécialement dédié aux Corpus écrits. Ce consortium a été géré par l'Institut de Linguistique Françaiseet faisait partie de la TGIR (très grande infrastructure de recherche) Huma-Num (. Ce consortium est aujourd'hui (2016) remplacé par le consortium CORLI (Corpus, Langues et Interactions) FRANCE
  
• Author(s): Panckhurst, Rachel ; Thierry, Chanier ;
• compiler: depositor: Panckhurst, Rachel ;
• editor: Thierry, Chanier ;
• data_inputter of the 2014 version: Catherine, Détrie ;
• developer of the 2014 version: Cédric, Lopez ;
• data_inputter of the 2014 version: Claudine, Moïse ;
• developer of the 2014 version: Mathieu, Roche ;
• developer of the 2014 version: Bertrand, Verine ;
• developer: Paul, Lotin ;