Deux corpus seront réalisés avec des profils et les vérités terrain associées.

Les documents (flux informationnel entrant) relèveront de deux domaines informationnels : l’information scientifique et technique et l’information de presse. Ces deux types d’information correspondent à un contexte de veille technologique pour le premier et à un contexte de veille informationnelle générale pour le second (veille politique, d’image, de suivi d’opérations telles que les fusions et acquisitions, etc.).

3 langues seront considérées au sein de ces corpus : l'anglais, l'arabe et le français.