Search

Bilingual lexicon extraction (BLI) has as its objective the creation, in an automatic manner from bilingual corpora, of lexicons between two languages. It is most often used in the general domain, where the extracted lexicons can be used in machine translation or information retrieval. BLI systems work on large amounts of data and the results seem to be highly satisfactory. However, the evaluation data contains many errors, which could lead to a re-evaluation of the systems. A second and more marginal context of use of BLI systems is in specialized domains, where the objective is to obtain translations that are not available in classical dictionaries. Specialized corpora (about only one subject) are poorly supplied with data and it is complicated for BLI systems to obtain as good results as in the general domain. It is therefore necessary to adapt the approaches to take into account this particularity. In this thesis, we improve the results obtained in specialized domains by proposing the use of data selection techniques. Then, we focus on the evaluation process in general domain and more particularly on some biases present in evaluation data such as the overpresence of very frequent or graphically identical word pairs and we propose a more accurate and unified evaluation process that takes into account these weaknesses.; L’extraction de lexique bilingue (BLI) a pour objectif la création, de manière automatique à partir de corpus bilingues, de lexiques entre deux langues. Le BLI est utilisé le plus souvent en domaine général, où les lexiques extraits peuvent par exemple servir en traduction automatique ou en recherche d’information. Les systèmes de BLI fonctionnent alors sur de grandes quantités de données et les résultats semblent hautement satisfaisants. Cependant, les données d’évaluation contiennent de nombreuses erreurs, ce qui pourrait conduire à une remise en question des systèmes. Un second contexte d’utilisation plus marginal du BLI est celui des domaines de spécialité, où l’objectif est l’obtention de traductions absentes des dictionnaires classiques. Les corpus spécialisés (qui ne concernent qu’un seul sujet) sont peu fournis en données et il est compliqué pour les systèmes de BLI d’obtenir d’aussi bons résultats qu’en domaine général. Il faut donc chercher à adapter les approches pour prendre en compte cette particularité. Dans cette thèse, nous améliorons les résultats obtenus en BLI en domaine de spécialité en proposant l’utilisation de techniques de sélection de données. Puis, nous nous intéressons au processus d’évaluation en domaine général et plus particulièrement à certains biais présents dans les données d’évaluation comme la surprésence de paires de mots très fréquents ou graphiquement identiques et proposons un processus d’évaluation plus précis et unifié qui prend en compte ces faiblesses dans les données.

Dans cette communication, nous proposons un parcours réflexif autour du traitement et de l’analyse de la variation terminologique en corpus spécialisés, à travers le regard de la terminologie textuelle. Développée depuis les années 1990, lors du changement de paradigme théorique connu par la discipline, la terminologie textuelle a émergé avant tout dans la visée de construire des bases de données terminologiques plus proches des usages réels, et sur la base de méthodologies plus systématisées . Depuis, différentes demandes linguistiques appliquées ont été traitées, qui ont permis une prise en compte systématique de la variation terminologique en corpus, plus fine et diversifiée. Après avoir décrit brièvement la terminologie textuelle et son approche, en équilibre entre outils, corpus spécialisés et spécialistes du domaine, nous discuterons l’évolution des demandes appliquées traitées, de la complétion de ressources terminologiques à la théorisation du phénomène de déterminologisation. Ces demandes seront un appui pour discuter la nature de la variation terminologique observable en corpus, ainsi que les moyens méthodologiques mis en œuvre. Ce parcours permettra d’ouvrir la discussion sur les nouveaux défis rencontrés par la terminologie textuelle aujourd’hui, pour poursuivre son évolution.

L’analyse simultanée de plusieurs types de variation en corpus spécialisés comparables est une question encore peu traitée, malgré des besoins et des moyens méthodologiques grandissants pour les langues de spécialité. Pour discuter et alimenter la réflexion sur cette question, nous présentons deux exemples concrets de recherche : d’une part, l’étude de la déterminologisation, c’est-à-dire le passage de termes et concepts d’un domaine de spécialité vers la langue générale ; d’autre part, la création de l’Encyclopédie humanitaire dont l’un des objectifs principaux est d’analyser les différences d’usage des termes du domaine selon différentes perspectives. Sur la base d’une approche outillée en corpus, nous interrogeons différents axes et outils méthodologiques pour accompagner ce type d’analyse. Nous détaillons trois axes : le besoin de visualisation des données, de regroupement et de modélisation des phénomènes à observer, que nous illustrons sur la base d’exemples tirés de nos données.

Afin de pall ier le manque de ressources lexicographiques pour la paire de langues français-slovène dans le domaine de la traduction spécialisée, un projet bilatéral a été mis en place dans le but de développer un dictionnaire en ligne destiné à être utilisé comme un outil lexicographique et une aide à la rédaction de textes scientifiques. Cet article présente une méthode qui permet aux étudiants de participer activement au processus de création d'une base de données en ligne en vue du stockage de données terminologiques et phraséologiques. Nous présentons tout d'abord la situation lexicographique en Slovénie, notamment pour la paire de langues français-slovène, puis les objectifs du projet ainsi que la méthode d'enseignement visant la création de corpus comparables et de ressources lexicographiques compilées par les étudiants. Enfin, nous terminons par une synthèse des résultats obtenus. Cette méthode, utilisée depuis 2018 dans le cadre d'un cours de Master, donne d'excellents résultats du point de vue pratique et pédagogique. In order to compensate for the lack of lexicographical resources for the French-Slovenian language pair in the field of specialized translation, a bilateral project has been set up with the aim of developing an online dictionary to be used as a lexicographical tool and as an aid for writing scientific texts. This article presents a method that allows students to actively participate in the process of creating an online database for storing information on specialized terminology and phraseology. We first present the lexicographical situation in Slovenia, especially for the French-Slovenian language pair, and then the objectives of the project as well as the teaching method aimed at creating comparable corpora and lexicographical resources compiled by the students. Finally, we conclude with a synthesis of the results obtained. This method, which has been used since 2018 in a Masters course, provides excellent results from a practical and pedagogical point of view.

This study highlights the problem of the lack of German specialized corpora for German for specific purposes (GSP) courses for engineering students and describes a project aiming at the development of such a corpus, the Kod.ING corpus. The authors show the relevance of the Kod.ING corpus in meeting the needs of Master’s degree engineering students at St Petersburg Polytechnic University who are studying lower-level German. At the preliminary stage of the pedagogical experiment, nine compound nouns and eight lexical bundles were selected from the Kod.ING corpus. These were taught to students through hands-on and hands-off data-driven learning (DDL) activities. The immediate and delayed post-tests proved the effectiveness of short DDL interventions in terms of acquisition of target vocabulary. The follow-up survey revealed students’ particular interest in hands-on activities with the Russian National Corpus (RNC). In conclusion, further research and pedagogical applications are suggested. L’étude met en évidence le problème lié au manque de corpus spécialisés allemands pour les cours d’allemand à des fins spécifiques (AFS) pour les étudiants en ingénierie et décrit un projet visant à développer un tel corpus, le corpus Kod.ING. Les auteurs montrent la pertinence du corpus Kod.ING pour répondre aux besoins des étudiants en master en ingénierie à l’Université polytechnique de Saint-Pétersbourg, apprenant l’allemand de niveau assez faible. Au stade préliminaire de l’expérience pédagogique, 9 noms composés et 8 « blocs lexicaux » ont été choisis à partir du corpus Kod.ING. Ceux-ci ont été enseignés aux étudiants grâce à des activités d’ABD pratiques et de non-intervention. Les post-tests immédiats et différés ont prouvé l’efficacité des interventions courtes d’ABD pour l’acquisition du vocabulaire cible. L’enquête de suivi a révélé un intérêt particulier de la part des étudiants pour des activités pratiques à partir du corpus national de la langue russe (CNR). En conclusion, des pistes de recherches et des applications pédagogiques sont suggérées.

La présence de la variation en langues de spécialité est désormais largement admise par les terminologues. Néanmoins, certaines facettes de ce phénomène restent encore à mieux cerner et à mieux définir lorsqu'elles s'appliquent aux langues de spécialité (LSP). Dans ce contexte, à travers le prisme de la terminologie textuelle (par ex. Bourigault & Slodzian, 1999 ; Condamines & Picton, 2015), nous proposons des éléments de discussion autour de deux de ces facettes : la systématisation des approches outillées en corpus et l'équilibre entre les corpus, les outils, experts pour construire une interprétation. Nous discutons la manière dont ces deux facettes ouvrent la réflexion sur différents types de variations plus rarement décrits en LSP et sur la place et le rôle des experts dans ce domaine.

Longtemps considérée comme le parent pauvre des recherches en langues de spécialité, la diachronie semble aujourd'hui prendre la place qui lui est due. Néanmoins, les travaux et recherches diachroniques présentent une grande hétérogénéité tant dans leurs approches que dans les objectifs qu'ils poursuivent. Si ceci reflète la richesse des apports de la diachronie, cela indique également que l'heure semble moins au plaidoyer en faveur de cette perspective, mais plus à la réflexion autour de ce qui la caractérise lorsqu'elle est appliquée aux langues de spécialité. Dans ce contexte, nous proposons d'adopter le prisme de la terminologie textuelle pour alimenter cette réflexion. Cette approche cherche en effet depuis plusieurs années à systématiser les méthodes outillées d'analyse de la variation en corpus spécialisés et à en théoriser différents aspects, à partir de contextes réels d'application. Ces objectifs ont donc amené ce courant à questionner plusieurs « piliers » d'analyse en diachronie autour des notions de corpus, outils, experts et interprétation.

National audience; La composition est un phénomène fréquent dans plusieurs langues, surtout dans des langues ayant une morphologie riche. Le traitement des mots composés est un défi pour les systèmes de TAL car pour la plupart, ils ne sont pas présents dans les lexiques. Dans cet article, nous présentons une méthode de segmentation des composés qui combine des caractéristiques indépendantes de la langue (mesure de similarité, données du corpus) avec des règles de transformation sur les frontières des composants spécifiques à une langue. Nos expériences de segmentation de termes composés allemands et russes montrent une exactitude jusqu'à 95 % pour l'allemand et jusqu'à 91 % pour le russe. Nous constatons que l'utilisation de corpus spécialisés relevant du même domaine que les composés améliore la qualité de segmentation.

Méthodes de linguistique outillée pour l'analyse de corpus spécialisés

Des Communiqués de presse du CNES à la Presse généraliste : un observatoire pour étudier comment migrent les termes du spatial

Ce chapitre met l’accent sur deux éléments originaux. D’une part, il s’intéresse à la néologie sémantique en contexte scientifique. D’autre part, il s’inscrit dans la perspective de la linguistique de corpus et montre comment elle peut être mise en oeuvre dans des corpus spécialisés. Dans une perspective d’analyse sémantique outillée, trois types d’indices proposés par les outils peuvent être utilisés : des indices quantitatifs, des indices concernant la forme (et sa variation) et des indices concernant l’environnement d’une forme. Ces indices sont différemment pris en compte selon le phénomène sur lequel se focalise l’étude. La nature du corpus (en lien avec l’objectif de l’étude) et l’interprétation qui est faite des indices jouent un rôle déterminant dans le repérage de la néologie sémantique. Le chapitre s’intéresse à deux éléments extra-linguistiques : l’évolution dans le temps et la pluridisciplinarité. Des corpus sont constitué, spécifiquement dédiés à l’étude d’un de ces deux éléments, dans des domaines relevant du spatial. La présentation des deux études montre comment se construit l’interprétation néologique, par la prise en compte des indices obtenus à partir d’outils mis en oeuvre sur des corpus organisés en sous-corpus comparables., In this paper, two related original issues are addressed. The first concerns semantic change in scientific domains. The second one deals with Corpus Linguistics and more particularly with the way this perspective can be implemented in specialized corpora. In this type of linguistic tool-based approach, three kinds of clues may be used: quantitative clues, clues taking the forms of terms and their variations into account and, finally, clues focusing on the contexts terms are found in. Depending on the phenomenon observed, these clues must be taken into account in different ways. The nature of the corpus (linked to the aim of the study) and the interpretation of clues both play a decisive role to identify semantic change. In this paper, two situations of change are addressed: time and interdisciplinarity. For this study, two corpora are built, corresponding to these two situations, in the field of space exploration. This paper presents how the interpretations of change are made, taking into account the different clues provided by tools and how they are set up in the two corpora, re-organized in comparable sub-corpora.

Utiliser des indices linguistiques pour repérer la néologie en corpus spécialisé

28 pages; International audience; Beyond general search engines, there is a need for tools able to mine specialised document collections in order to answer very precise and specialised queries related to specific domains. To achieve this goal, a semantic analysis of the documents must be performed and it must be specifically adapted to the domain of the collection. This is the role of the Ogmios platform, which conception and development are described in this paper. Processing such web document collections imposes various operational constraints. Integrating pre-existing NLP tools in a unique annotation platform raises some problems of interoperability. Adapting the semantic analysis to a given domain is an additional challenge. This paper shows how these problems have been solved : by distributing the annotation process on several machines, by wrapping NLP tools into modules that ensure the conformity of their input/output with the interchange format of the platform, and by integrating in a common architecture the annotation of large collection of documents and the building of semantic resources from acquisition corpora. This paper finally explains how the platform has been integrated in a specialised search engine. The performance of the platform for the annotation of web documents is compatible with the speed of the document crawling. The semantic annotations are exploited to enrich the user interface and handle the disambiguation, generalisation or refinement of user queries.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.