probes: 4

The exact question asked of a corpus, kept verbatim (code column): a Python regex on one document, a SPARQL query on a public endpoint, a shell request. result_count/result_of is the re-run figure on result_date; matches_excerpt says whether that figure is the one quoted in the observation (0 = differs, both kept).

This data as json

id	form_id	form_name	file	kind	corpus_id	written	run	result_count	result_of	result_date	matches_excerpt	note	code
4	form-021	Multiple spellings of one entity	probes/2026-08/line-021.py	python	corpus-europe-pmc-jats-2023-2026	2026-08-08	python3 tools/run_probe.py probes/2026-08/line-021.py <dir with the 272 .xml>	209	272	2026-09-09	1		"""Fault Atlas probe — catalogue line 21 (form-021). Extracted verbatim from the August 2026 observation campaign (Loxyn SAS, Lyon). A probe answers one question on one JATS XML file: "is this fault here, and where?" It repairs nothing and decides nothing. Returns a list of excerpts, empty if absent. Run on the reproducible corpus (see corpora/europe-pmc-jats-2023-2026-272.json): python3 tools/run_probe.py probes/2026-08/line-021.py <dir with the 272 .xml> """ import re, collections, unicodedata SONDES = {} def sonde(ligne, nom): def deco(f): SONDES[ligne] = (nom, f); return f return deco # ── 21 · GRAPHIES MULTIPLES : « Forme Longue (ACRO) », puis « ACRO » tout seul # ⚠️ 1re version CORRIGÉE : elle rendait « By extracting tumor volume (TV) » — les # initiales étaient cherchées EN SOUS-CHAÎNE, donc l'empan de la forme longue # débordait. On exige maintenant une correspondance EXACTE, et on prend le plus # court segment qui la donne. Hors correspondance exacte : refus, pas de devinette. GLOSE = re.compile(r"((?:[\wÀ-ÿ'’\-]+ ){1,8})\(([A-Z][A-Za-z0-9]{1,6})\)") def _corps(x): m = re.search(r'(?s)<body\b.*?</body>', x) return m.group(0) if m else '' def _forme_longue(avant, acro): lettres = ''.join(c for c in acro if c.isalpha()).lower() mots = [m for m in avant.split() if m] for depart in range(len(mots) - 1, -1, -1): # du plus COURT au plus long seg = mots[depart:] ini = ''.join(p[0] for w in seg for p in w.split('-') if p).lower() if ini == lettres: return ' '.join(seg) return None def _txt(x): return re.sub(r'<[^>]+>', ' ', x) @sonde(21, "graphies multiples d'une entité (forme longue + acronyme réutilisé)") def d21(x): t = _txt(_corps(x)) or _txt(x) out = [] for avant, acro in GLOSE.findall(t): longue = _forme_longue(avant, acro) if not longue or len(acro) < 2: continue # l'acronyme doit être RÉUTILISÉ seul : sinon ce n'est pas une 2e graphie if len(re.findall(r'\b%s\b' % re.escape(acro), t)) >= 2: out.append(f"{longue} ({acro})") return sorted(set(out))[:5]