Les corpus utilisés en TA de l'écrit et de l'oral ont évolué, depuis les suites de test et les corpus d'essai des débuts, vers des corpus parallèles bilingues ou multilingues, bruts ou enrichis par des métadonnées et une grande variété d'annotations linguistiques. Ils sont assez petits et peuvent avoir une « granularité » importante en TA « experte », classique, mais sont énormes et de granularité faible en TA « empirique », statistique ou fondée sur les exemples. La représentation des textes et l'interface avec le traitement de la parole posent des problèmes spécifiques, ainsi que la segmentation et la structuration des segments et des corpus. Un défi actuel est d'unifier et de mutualiser leur construction et leur gestion.

La première partie de l'article expose les questions méthodologiques qui ont présidé à la constitution et à la transcription d'un grand corpus de textes scolaires, avec leurs contextes d'enseignement. Dans la deuxième partie de l'article sont présentées les interrogations épistémologiques qui ont orienté une deuxième recherche : sur la définition des genres scolaires, d'un corpus, et d'un contexte, et de la nécessaire mise en relation de ces trois éléments. La description d'essais tentés à l'aide de logiciels d'analyse sur des corpus scolaires a priori non conformes aux normes génériques et orthographiques débouche sur des pistes d'utilisation sériées et accompagnées de démarches qualitatives.

La numérisation des corpus de données sonores et multimodales ouvre de larges perspectives pour les sciences du langage. Toutefois, la conservation et l'exploitation de ces corpus oraux posent de nouveaux problèmes éthiques et juridiques que la communauté scientifique doit prendre en compte. Cet article présente les résultats d'un groupe de travail interdisciplinaire qui a rédigé un Guide des bonnes pratiques pour la constitution, l'exploitation, la conservation et la diffusion des corpus oraux.