# DATASET_CARD — Corpus lexical français SynapxLab

## Présentation

Ce corpus est dérivé du dictionnaire en ligne dictionnaire.synapx.fr, qui couvre 125 980 mots de la langue française. Il est distribué sous forme de fichiers JSONL (une ligne JSON par mot), destinés aux laboratoires de recherche, aux linguistes et aux équipes qui entraînent ou évaluent des modèles de langue sur le français.

Le corpus n'est pas un fichier unique : il est livré en **quatre fichiers séparés selon la provenance des données**, parce que les droits associés à chaque source diffèrent. SynapxLab ne peut concéder que les droits qu'il détient réellement sur les données qu'il redistribue ; il est donc essentiel, pour toute réutilisation, de savoir de quel fichier provient chaque champ. La clé `mot_id` permet de recomposer un enregistrement complet en joignant les fichiers entre eux.

> **Avertissement rétrospectif sur les versions antérieures.** Les versions 1.0.0 et 1.1.0 du corpus, publiées le 28 juillet 2026, contenaient dans `wiktionnaire.jsonl`, sous l'étiquette CC BY-SA 4.0, 249 définitions mal attribuées : 159 définitions FranceTerme et 90 définitions rédigées par SynapxLab. Toute personne ayant téléchargé l'une de ces versions doit en tenir compte et il lui est recommandé de reprendre la version 1.2.0, datée du 29 juillet 2026, qui corrige cette répartition et que décrit le reste du document.

## Ce que contient le corpus

| Fichier | Contenu | Provenance | Licence |
|---|---|---|---|
| `index-mots.jsonl` | 125 980 lignes. Champs : `mot_id`, `ortho`, `ortho_norm`. Formes écrites brutes, servant de pivot pour joindre les autres fichiers. | Formes orthographiques constatées, sans droit d'auteur associé | Domaine public / aucune restriction |
| `wiktionnaire.jsonl` | 270 679 définitions issues du Wiktionnaire, 14 690 étymologies, environ 1,38 million de relations de sens (synonymes, antonymes, hyperonymes, hyponymes, méronymes, holonymes, dérivés, associés), marques de registre (familier, vieilli, figuré, argot, péjoratif, littéraire), datations d'attestation | Wiktionnaire francophone, via kaikki.org ; une partie des datations provient de Littré 1873 via littre.org | CC BY-SA 4.0 |
| `lexique.jsonl` | Transcription phonétique API, rime, nombre de phonèmes, nombre de syllabes, syllabation, lemme, catégorie grammaticale, genre, nombre, fréquence d'usage | Base Lexique (lexique.org, Boris New et Christophe Pallier) | **Non résolue** — à confirmer auprès de lexique.org |
| `synapx-original.jsonl` | 90 définitions rédigées par SynapxLab, avec leur champ `source` d'origine ; 30 621 notations de qualité (note sur 10, commentaire justificatif, indice de confiance, signalement d'anomalie éventuel) ; clé phonétique normalisée pour la recherche par le son ; racine morphologique ; 426 relations d'affixes | Production propre à SynapxLab | CC BY-SA 4.0 |
| `reproductibilite.jsonl` | 500 mots tirés au sort parmi les mots notés, avec leur notation d'origine, une renotation à l'aveugle et l'écart entre les deux | Production propre à SynapxLab | CC BY-SA 4.0 |

## Provenance et licences

### `index-mots.jsonl`

Ce fichier contient uniquement des formes écrites (orthographe standard et orthographe normalisée) et un identifiant interne. Une forme écrite est un fait de langue, pas une création : ce fichier ne porte donc pas de droits d'auteur particuliers et peut être considéré comme librement réutilisable. Il sert de table pivot : tous les autres fichiers se joignent à lui par `mot_id`.

### `wiktionnaire.jsonl`

Depuis la correction du script d'export, ce lot ne reçoit que les définitions dont la source en base est le Wiktionnaire. **Les définitions, étymologies et relations de sens de ce fichier ne sont pas une production de SynapxLab.** Elles sont dérivées du Wiktionnaire francophone, collecté via kaikki.org, et placées sous licence **CC BY-SA 4.0**. Cette licence impose, pour toute redistribution, le maintien de l'attribution à la source et son application aux œuvres dérivées (partage dans les mêmes conditions).

Cette séparation n'est pas encore effective dans l'export publié le 28 juillet 2026 : le fichier actuellement téléchargeable contient toujours les 249 définitions non issues du Wiktionnaire décrites dans l'avertissement du 29 juillet 2026 ci-dessus.

Une partie des datations d'attestation provient de Littré 1873, via littre.org, également distribué en CC BY-SA. Les textes de définition ont été normalisés et restructurés par sens pour l'usage du dictionnaire (segmentation, mise en forme des relations), mais n'ont pas été réécrits sur le fond : le contenu sémantique reste celui du Wiktionnaire.

Toute réutilisation de ce fichier, seul ou combiné aux autres, doit respecter les termes de la licence CC BY-SA 4.0.

### `lexique.jsonl`

Ce fichier est dérivé de la base Lexique (lexique.org, projet porté par Boris New et Christophe Pallier). **La licence exacte de Lexique n'est pas confirmée à ce jour.** Ce point est explicitement non résolu : toute redistribution ou réutilisation de ce fichier doit faire l'objet d'une vérification préalable auprès de lexique.org avant publication ou usage en aval. Tant que cette confirmation n'est pas obtenue, ce fichier doit être traité avec prudence, notamment dans un cadre de diffusion publique.

### `synapx-original.jsonl`

Il s'agit de la seule partie du corpus entièrement produite par SynapxLab. Depuis la correction du script d'export, elle comprend 90 définitions rédigées par SynapxLab : 89 portent la source `lexique Synapx` et une porte la source `saisie manuelle`. Chaque définition conserve ce champ `source` d'origine.

Les notations de qualité comparent chaque définition du dictionnaire à un ouvrage de référence externe (Larousse ou Robert selon les cas) et attribuent une note, un commentaire, un indice de confiance et un signalement d'anomalie éventuel. **Les commentaires de notation portent un jugement sur la qualité des définitions du dictionnaire ; ils ne reproduisent aucun texte des ouvrages de référence consultés.** La clé phonétique normalisée, la racine morphologique et les relations d'affixes sont également des données propres à SynapxLab.

Ce fichier est distribué sous licence CC BY-SA 4.0. Cette licence est alignée sur celle du lot Wiktionnaire afin de permettre leur combinaison sans conflit de conditions. Toute œuvre dérivée devra être partagée sous les mêmes conditions, sans possibilité de concession exclusive ou restrictive par SynapxLab.

### Définitions FranceTerme non exportées

Depuis la correction du script d'export, les 159 définitions provenant de FranceTerme sont écartées, faute d'avoir tranché leurs conditions d'utilisation. Le principe retenu est de ne pas diffuser de données dont les droits de réutilisation ne sont pas établis. Ces définitions ne figurent donc dans aucun fichier de données produit par le script corrigé ; le rapport de fin d'export en indique seulement le nombre. L'export publié le 28 juillet 2026 constitue l'exception actuellement accessible : il les contient encore dans `wiktionnaire.jsonl`, comme l'explique l'avertissement du 29 juillet 2026.

### Citations non exportées

Certaines fiches du dictionnaire en ligne comportent désormais des citations, notamment des répliques ou des extraits d'œuvres. Ces citations ne sont pas exportées et leur intégration au corpus n'est pas prévue dans un avenir prévisible. Une citation appartient à son auteur : sa reproduction sur une fiche peut relever de l'exception de courte citation, mais cette exception n'est pas transférable à un tiers. Verser le texte cité dans un corpus diffusé sous CC BY-SA reviendrait à concéder des droits que SynapxLab ne détient pas.

## Comment joindre les fichiers

Chaque ligne de chaque fichier porte un champ `mot_id`, identifiant unique et stable d'un mot dans le dictionnaire. Pour reconstituer un enregistrement complet, il suffit d'indexer les quatre fichiers sur cette clé et de fusionner les lignes correspondantes. `index-mots.jsonl` est le fichier pivot recommandé : il liste l'ensemble des `mot_id` valides et leurs formes écrites, même pour les mots ne disposant d'aucune entrée dans les trois autres fichiers.

Un `mot_id` peut apparaître dans `index-mots.jsonl` sans apparaître dans `wiktionnaire.jsonl`, `lexique.jsonl` ou `synapx-original.jsonl` : l'absence de ligne correspondante signifie simplement qu'aucune donnée de cette catégorie n'est disponible pour ce mot, pas une erreur de jointure.

## Reproductibilité de la notation

Une objection légitime concernait la reproductibilité des notes attribuées aux définitions : la présence d'une note et d'un commentaire ne suffisait pas à établir qu'une seconde évaluation indépendante produirait des résultats comparables. Une campagne de contrôle a donc été menée sur un échantillon aléatoire de 500 mots parmi les 30 621 mots déjà notés.

Les 500 mots ont été renotés à l'aveugle, sans accès à leurs notes initiales. Le protocole d'origine a été rejoué à l'identique : même barème détaillé, même taille de lot et même format de sortie. Seule la destination d'écriture a été modifiée, afin de préserver les notes initiales et de permettre leur comparaison. Les deux notations sont conservées côte à côte ; les calculs peuvent donc être rejoués par un tiers.

| Indicateur | Ensemble des 500 mots | Sous-ensemble à confiance élevée (315 mots, indice ≥ 0,8) |
|---|---:|---:|
| Corrélation de Pearson | 0,779 | 0,862 |
| Écart absolu moyen | 0,73 point | 0,56 point |
| Accord exact | 48,8 % | — |
| Accord à ±1 point | 85,0 % | 90,8 % |
| Accord à ±2 points | 94,6 % | — |
| Désaccord de 3 points ou plus | 5,4 % | 3,2 % |
| Biais moyen de la seconde campagne | -0,44 point | — |

La seconde campagne note en moyenne 0,44 point plus sévèrement que la première. L'indice de confiance est prédictif de l'accord : l'écart moyen est de 0,56 point lorsque la confiance est supérieure ou égale à 0,8, contre 1,03 point lorsqu'elle est inférieure. Il peut donc servir à sélectionner un sous-corpus plus fiable. L'écart reste par ailleurs stable selon la note d'origine, entre 0,30 et 0,93 point : aucune zone particulière de l'échelle ne présente d'instabilité marquée.

Ces résultats situent la notation au niveau d'une annotation humaine sérieuse sur une échelle à onze niveaux. Ils n'annulent pas l'incertitude d'une note individuelle, qui reste de l'ordre d'un demi-point et ne doit pas être interprétée comme une valeur exacte. Les notes constituent avant tout une mesure de tendance, particulièrement exploitable en agrégat.

Le fichier `reproductibilite.jsonl` fournit les deux notations de chacun des 500 mots, avec leur écart, afin que ces statistiques puissent être vérifiées indépendamment.

## Limites connues

- Le corpus hérite des lacunes, imprécisions et éventuelles erreurs présentes dans le Wiktionnaire francophone au moment de la collecte. SynapxLab n'a pas vérifié l'exhaustivité ni l'exactitude de chaque définition, étymologie ou relation de sens issue de cette source.
- Toutes les fiches du dictionnaire n'ont pas été relues manuellement par SynapxLab.
- La notation comporte une incertitude d'environ un demi-point par mot, mesurée et documentée dans la section « Reproductibilité de la notation ».
- Seuls 30 621 mots sur 125 980 (soit environ un quart du corpus) disposent d'une notation de qualité dans `synapx-original.jsonl`. L'absence de notation pour un mot ne préjuge ni de la qualité ni de l'absence de qualité de sa définition : elle signifie seulement que ce mot n'a pas encore fait l'objet d'une comparaison avec un ouvrage de référence.
- Le statut de licence de `lexique.jsonl` n'est pas confirmé (voir ci-dessus).
- Les 159 définitions FranceTerme sont hors du périmètre de l'export produit par le script corrigé, leurs conditions d'utilisation n'ayant pas été tranchées.
- Les citations visibles sur certaines fiches du site sont hors du périmètre du corpus exporté pour des raisons de droits d'auteur.

## Citer ce corpus

Toute publication ou tout travail s'appuyant sur ce corpus est invité à citer SynapxLab ainsi que les sources sous-jacentes (Wiktionnaire francophone, Littré via littre.org, Lexique) conformément à leurs licences respectives.

```
SynapxLab. Corpus lexical français, version 1.3.0, 2026-08-21.
Disponible à https://dictionnaire.synapx.fr/corpus/.
Dérivé du Wiktionnaire francophone (CC BY-SA 4.0, via kaikki.org),
de Littré 1873 (CC BY-SA, via littre.org) et de Lexique (lexique.org).
```

## Contact

Pour toute question sur le corpus, sa licence ou son contenu : `contact@synapx.fr`.