MLCC - Corpus multilingue et parallèle

Le corpus de textes MLCC est composé de deux ensembles de textes, un ensemble permettant des études comparatives réalisables sur plusieurs langues et un ensemble pouvant être utilisé dans le cadre d'études en matière de traduction.

Le premier ensemble est une collection de documents plurilingues, composés d'articles de quotidiens dans le domaine des finances dans 6 langues différentes (néerlandais, anglais, français, allemand, italien et espagnol). Cette collection est constituée des sous-corpus suivants :

Néerlandais - Het Financieele Dagblad - 1992-1993 (Echantillon)
Ce corpus contient des articles du journal financier néerlandais Het Financieele Dagblad, éditions du 2 janvier 1992 au 24 décembre 1993. Il comporte environ 8,5 millions de mots.

Anglais - The Financial Times - 1993 (Echantillon)
Le corpus contient des articles du journal britannique The Financial Times, éditions de l'année 1993. Il comporte environ 30 millions de mots.

Français - Le Monde - 1992-1993 (Echantillon)
Corpus d'articles extraits du quotidien français Le Monde, contenant deux années d'articles du domaine des finances (1992-1993) et environ 10 millions de mots.

Allemand - Handelsblatt - 1986-1988 (Echantillon)
Ce sous-corpus est composé d'articles pour la période du 02.01.1986 au 15.06.1988. Il comporte quelques 33 millions de mots. Il est possible d'obtenir des articles plus récents de Handelsblatt.

Italien - Il Sole 24 Ore - 1992-1993 (Echantillon)
Ce corpus contient des articles du quotidien financier italien Il Sole 24 Ore de 1992. Il est composé d'environ 1,88 millions de mots. Le balisage SGML a été réalisé par l'université d'Edinburgh.

Espagnol - Expansion - 1994 (Echantillon)
Ce sous-corpus contient des articles du quotidien financier espagnol Expansion, éditions du 21.10.1991 au 24.10.1991 et du 14.05.1994 au 27.12.1994. Il est composé de quelques 10 millions de mots.

Le second ensemble de MLCC est le corpus parallèle multilingue qui comporte des données traduites dans neuf langues européennes : danois, néerlandais, anglais, français, allemand, grec, italien, portugais et espagnol. Ces données alignées, fournies par la Commission Européenne, sont regroupées sous la forme de deux sous-corpus provenant du Journal Officiel de la Communauté Européenne :


Journal Officiel de la Commission Européenne, Séries C : Questions écrites de 1993
Ce sous-corpus comporte des enregistrements de questions et de réponses sur des sujets traitant de la Communauté Européenne. Ces données sont publiées régulièrement dans une section des séries C du Journal Officiel de la Communauté Européenne dans toutes les langues officielles (comportant neuf langues en 1993). Ce corpus contient des questions écrites effectuées par les membres du Parlement européen, ainsi que les réponses correspondantes fournies par la Commission Européenne en 9 versions parallèles. La taille du corpus est d'environ 10,2 millions de mots (près de 1,1 million de mots par langue).

Journal Officiel de la Commission Européenne, Annexe : Débats du Parlement européen 1992-1994
Ce corpus parallèle contient des enregistrements de séances parlementaires publiées en annexe du Journal Officiel de la Communauté Européenne Débats du Parlement européen. Ces débats parlementaires sont des enregistrements de ce qui a été dit par les membres au cours de cette réunion, ainsi que des données fournies pour cette réunion. Les données d'origine d'où les traductions ont été produites sont composées de transcriptions des séances, sachant que chaque membre parle dans la langue de son choix. La version finale est composée de neuf versions parallèles de ce document. Les textes fournis comprennent les débats du Parlement de janvier 1992 à juillet 1994. Ce sous-corpus contient de 5 à 8 millions de mots par langue.