présentation du projet

présentation du projet
PROJET DIT « MULTILINGUE »
Le projet proposé a pour but, à partir de données textuelles disponibles sur la toile, de
produire des ressources linguistiques structurées. Ces dernières peuvent avoir une finalité
lexicologique (voir http://crim.fr/lexique_ri.html pour un exemple de lexique français-arabe
des Relations Internationales), en particulier pour des couples de langues français+une langue
enseignée à l’INALCO.
Mais on peut envisager aussi, à partir de données textuelles brutes, de poser un problème
linguistique et d’y apporter une réponse à l’aide de méthodes et outils issus de la linguistiqueinformatique : on pourrait par exemple étudier, à partir d’un corpus parallèle ou comparable
français-anglais, des phénomènes comme les équivalences de traduction : GN en français—
GV en anglais (voir exemples en annexe).
De même, on pourrait s’interroger, dans le cadre de la traduction, sur des phénomènes comme
le choix GN discret/non-discret en anglais pour traduire des GN français pluriels : en
particulier, comment le genre textuel influence-t-il ce choix (voir exemples en annexe) ?
Dans tous les cas, ce projet fera l’objet d’une présentation en ligne et offrira une valeur
ajoutée, non seulement dans la compréhension des phénomènes linguistiques étudiés, mais
aussi dans le choix des outils utilisés. Pour ces derniers, en particulier dans le cas de langues
dites « peu dotées » en outils d’ingénierie linguistique, la présentation en ligne permettra de
fournir une documentation et des liens vers les outils, ainsi qu’un mode d’emploi clair et une
évaluation succinte.
ETAPES (15 SEMAINES)
(les chiffres entre parenthèses correspondent à une progression par semaine)
Tout au long du projet, on utilisera un outil permettant au groupe de communiquer (montrer
son code pour demander où est l’erreur, donner adresse de sites utiles, présenter une
expression régulière vraiment incompréhensible, connaître le code de l’espace…..).
-constitution raisonnée de corpus en fonction de la finalité retenue (1-3)
lexiques multilingues en ligne :
corpus multilingues, parallèles ou comparables, domaine
glossaire spécialisé :
documentation technique, extraction de définition
terminologie :
domaine restreint à choisir, technique d’extraction
traductologie :
problème posé
linguistique :
problème posé
-méthodologie de la constitution selon finalité (1-3)
quels textes ? quels genres ? quelles sources (journaux, magazines, romans, blogs…) ?
source unique (facilite la phase de pré-traitement du corpus) ? comment assurer la couverture
maximale du domaine considéré ? quel est le biais apporté par la collecte de données
numériques ? quelles caractéristiques lexicales et grammaticales peuvent aider à classer par
« genre » ?
-étalon de mesure (1-3)
comment mesurer la pertinence des données réunies ? quelles données pourraient
servir de références ? comment évaluer la qualité des données (en particulier dans des
domaines comme la traduction) ?
-qualité du corpus (1-3)
Où trouve-t-on des corpus parallèles de qualité ? Sont-ils disponibles ? Quel format de
fichier est le plus susceptible de refléter une certaine qualité (.html, .pdf…) ? Les outils
destinés à mettre le corpus au format texte existent-ils ? Les fichiers sont-ils utilisables (cf.
fichiers verrouillés)
-pré-traitement du corpus en vue de traitements linguistiques (3-4)
encodage standard (selon outils à utiliser, syntex par exemple prend du iso-latin-1 en
entrée) de documents venant de sources multiples
-conservation des traces de chaque étape de traitement (3-6)
capacité de renvoyer au corpus de départ (.html), au corpus au format texte, au corpus
étiqueté, au corpus aligné. Choix d’un format pour la conservation(XML…). Voir par
exemple http://www.crim.fr/monde_diplo qui présente les données sous différents formats,
selon l’étape de traitement linguistique.
-débalisage ou traduction en format texte (4-5)
quels outils pour quels formats ? quelles contraintes, en particulier en termes
d’encodage (le débalisage ne doit pas corrompre les fichiers) ? quelles sont les options des
outils pour traiter les pages .html contenant des graphiques, tableaux, colonnes ?
-correspondance de paires de fichiers (4-6)
faut-il un alignement brutal de chaque paire de fichiers débalisés ? Ou doit-on garder
trace de la structure HTML pour réaliser un meilleur alignement (titres, liens hypertexte…)
-étiquetage morpho-syntaxique (5-7)
2 langues étiquettent-elles de façon similaire des phénomènes de surface qui semblent
identiques ? Comment limiter les distorsions créées par les outils de façon à ce que les
conclusions linguistiques finales restent valides ? Comment se présentent les entrées des
étiqueteurs (fichier texte pour Cordial, une phrase par ligne pour le tagger de Brill dans
laquelle les marques de ponctuation sont précédées et suivies d’un blanc, …) ? Quels sont les
traitements informatiques à mettre en œuvre pour avoir des données au bon format ? Quels
outils existent pour mettre ces données au format : outils du shell (sed, tr…), langage de
programmation (Perl) ? Comment se présentent les sorties des étiqueteurs ?
-extraction terminologique (7-10)
Quelle est la structure d’un terme d’une langue à l’autre ? Peut-on envisager une
correspondance de structures de termes (p. ex. ‘pouvoir d’achat, liberté d’opinion, table des
négociations, conseil de sécurité’ sont tous des syntagmes du type ‘Nom de Nom’, mais cette
structure constante se retrouve-t-elle en langue-cible ?) Quels sont les extracteurs
terminologiques existants ? Ecrire des programmes permettant d’extraire des patrons morphosyntaxiques à partir d’un texte étiqueté.
Voir http://www.crim.fr/patrons_verbaux_pour_extraction.html pour un exemple de patrons
verbaux.
Evaluer et trier les sorties.
Voir http://www.crim.fr/resultat_extraction.html pour un exemple de sortie non triée.
-alignement de phrases (9-10)
Quelles sont les méthodes classiques d’alignement (statistiques, linguistiques,
cognats…) ? Ecrire un programme permettant de séparer un texte en phrases terminées par un
point. Quelles difficultés ?
Voir un exemple d’alignement manuel permettant l’extraction de syntagmes nominaux à
http://www.crim.fr/tableau_de_correspondance_noms.html
Quels sont les résultats produits par un alignement fruste (chaque phrase de la langue-source
est alignée par défaut avec chaque phrase de la langue-cible, en commençant en haut du
fichier).
-alignement de mots/syntagmes (11-12)
Outils existants ? Choix de la méthode.
-mise en ligne, corrections, organisation du projet en site (12-15)
ANNEXES (syntagmes proposés hors contexte, mais exemples réels disponibles)
NOMS EN FRANÇAIS
à défaut, faute de quoi
à l'approche de
à l'instigation de
activité législative
affaires/possessions
alarmiste
ancestral
applicatif
artisanal
attribution
au bas mot
au fil des mois/au fil du temps
au grand dam de
aucune idée
autodidacte
avant la date fixée
beuverie
bouclage
calciné
casanier
citadins
combats
combines/micmacs
comité permanent
concentration (militaire)
condoléances
conduite
construction navale
contingentement
contrebande
dans la mesure du possible
date de péremption
de bon/mauvais augure
de son propre fait
démantèlement
dépenses
déplacé
diplômé
discours
économie du savoir
emballages
en baisse
en convalescence
VERBES EN ANGLAIS
failing that
as sthg nears
at the urging of
law-making
belongings
alarm-raising
time-honored
application-oriented
home-made
granting
that's a conservative estimate
as months went by/as time goes by
causing the anger of
search me
self-made-man
before the deadline runs out
binge-drinking
cordoning/sealing off
burnt-down
stay-at-home
city-dwellers
fighting
wheeling and dealing
standing committee
build-up
be sorry for sbdy's loss
driving
ship-building
quota-setting
smuggling
if I could help it
the sell-by/best-before date
that bodes well/ill of
of one's own making
dismantling
spending
uncalled-for
degree-holder (GB)
what they say
the knowledge-based economy
packaging
flagging
recovering
en gestation/en devenir/potentiel/virtuel
en herbe/naissant
en-cas
éphémère
escalade
euthanasie
exceptionnel/inédit
externalisation
financement
fixation
flottement (hésitation)
funambulisme
fusillade
grabataire
grande époque
impossible
inauguration (pol.)
indécis
innovant
intact
jeux de hasard
la collecte
le moins-disant social
le nième jour consecutif
législateur/parlementaire
les mains vides
levée (d'une mesure)
maintien de l'ordre
majeur/à grande échelle/véritable
majorité
même constatation pour
minutieux/méticuleux
mise au point
mise en chômage technique
mobilisation
multiplication
multiplication
numéro vert
opérations/actes
optimiste
par le biais de X
parachutisme
pendaison de crémaillère
perdu
petite phrase
planification
pointage
président en exercice
in the making
budding
snacking
short-lived
rock-climbing
mercy-killing
unheard-of
outsourcing
funding/financing
setting
dithering
tight-rope walking/a balancing act
shooting
bed-ridden
those were the days
no can do
swearing-in ceremony
fence-sitter
ground-breaking
unimpaired
gambling
gathering
social dumping
the nth day running
law-maker
empty-handed
lifting
policing/law enforcement
full-blown
come of age
the same goes for
painstaking
get your facts straight
idling
rallying around
ever-inceasing number of
ever-increasing number of
call toll-free
dealings
upbeat/sanguine
X-brokered
sky-diving
house-warming party
God-forsaken
soundbite
planning
clocking in/out
acting president
prolifération
qualités
réchauffement de la planète
récidive
recours
recyclage de (déchets)
rédaction
rééchelonnement
réformiste
relâchement
répartition de X
représentant de l'ordre
résultats
rodéos (en voiture)
sans-opinion
sans-papiers
selon le cas
si nécessaire
soins prodigués aux malades
sous conditions de ressources
sous couvert d'anonymat
sous le regard de X
sous les yeux de
strident
surpopulation carcérale
système de suivi
terme générique
terne
timide (incertain)
traçabilité
transexualisme
vieillissement
volontaire
mushrooming
things going for
global warming
reoffending
resorting
recycling, reprocessing
drafting
rescheduling
reform-minded
let-up
the way X breaks down
law-enforcer
findings
joyriding
don't know (DK)
undocumented
as the case may be
if need be
patient care
means-tested
on condition he not be identified
while X looked on
as X was looking on
high-pitched
prison overcrowding
tracking device
catch-all phrase
lacklustre
faltering
track-and-trace (techniques)
gender-swapping
ageing
can-do
SYNTAGMES FRANÇAIS
(DISCRETS)
actions (mesures)
affaires
affaires (les)
allégements fiscaux
applaudissements
atermoiements/tergiversations
belle-famille
bureaucratie
capacités
capacités de production non-utilisées
capitaux
changements
changer de camp
Clergé
combats
combines/micmacs
commentaires
commentaires (conjectures)
conflits
conjectures
conséquences
contestations
dans ses pensées
de plus en plus de critiques
déchets
dégâts
délits
dépenses
des expériences
des faits
des morts
des traitements médicaux
détails
devoirs
dissensions
divergences
efforts
électorat
emballages
embouteillages
émettre des critiques
ennuis
entourage
état-major/direction
SYNTAGMES ANGLAIS (NONDISCRETS)
action
business
business
tax relief/tax breaks/tax cuts
applause
procrastination
in-laws
bureaucrats
ability
spare capacity
capital
change
switch allegiances/sides
clerics
fighting
wheeling and dealing
comment
speculation
conflict
speculation
fallout
protest
deep in thought
a growing amount of criticism
waste
damage
crime
spending
experience
fact
loss of life
medical treatment
detail
homework
dissent
disagreement
effort
voters
packaging
congestion
level criticism
trouble
his closest advisers
leadership/leaders
faux-semblants
heures supplémentaires
incertitudes
inquiétudes
insultes
investissements
jeux de hasard
la culture
le consensus Les Echos
le jury
le moindre effort
les activités
les analyses
les horaires aménagés
les secours
les urgences
logiciels
loisirs
louanges
luxe de détails
médicaments
munitions
mutations
négligences
peines
peu d'indications
polémiques
potins mondains
progrès
provoquer des débats
recherches
recoupements
réformes agraires
remords
renseignements
réticences
rires
selon les plans/comme prévu
signes
soins
soins gratuits aux malades de longue durée
soins prodigués aux malades
somme de connaissances
Sornettes
Spécificités
Suffrages
Témoignages
terres agricoles
pretence
overtime
uncertainty
concern
abuse
investment
gambling
the arts
Les Echos' panel of economic forecasters
they
the least amount of effort
activity
analysis
flextime
help
an emergency room
software
leisure, entertainment
praise
wealth of detail
medication/medicine
ammunition
change
neglect
punishment
little sign
controversy
celebrity gossip
progress
stir debate
research
overlap
land reform
remorse
intelligence
reluctance
laughter
according to plan
sign
care
free long-term care
patient care
amount of knowledge
nonsense
distinctiveness
vote
testimony
farmland
Transports
Travaux
travaux ménagers
turbulences (remous)
Violences
transport
work
housework
turmoil
violence
Was this manual useful for you? yes no
Thank you for your participation!

* Your assessment is very important for improving the work of artificial intelligence, which forms the content of this project

Download PDF

advertising