Search

The development of digital technologies has led to the digitization of medical information and the transformation of paper records into electronic health records (EHRs). The data generated in a hospital contains valuable information for medical research. Hospitals have set up clinical data warehouses (CDW) to facilitate the secondary use of the data. In a CDW, researchers need to identify eligible patients for a clinical study and return to an EHR to complete the electronic case report form of a study. The main difficulty is the unstructured nature of the free text medical information. Natural language processing methods are needed to structure the data to facilitate its interrogation and retrieval. The objective of this thesis was to develop tools and methods to help researchers conduct feasibility studies and find information in an EHR. The main contributions of this thesis are the following: A French drug terminology. Many studies are looking at the use, efficacy, and tolerance of medicines in daily life. Medicines can also help to identify some diseases. The lack of a standardized drug terminology has led to the construction of Romedi, a French drug terminology, which offers good performance in detecting and identifying drugs in hospital data. A scalable semantic annotator. Semantic annotation consists of linking sequences of words in a document to concepts of a terminology. It enables the detection and indexing of medical concepts. How to index millions of documents in a CDW with medical terminologies containing several hundred thousand terms? In this work, we propose a new algorithm, IAMsystem, which is scalable to the size of a data warehouse and whose complexity depends little on the size of a terminology. An inventory of French medical abbreviations. Abbreviations are widely used in medicine. They add complexity to natural language processing tasks and must be taken into account by a semantic annotator. This work presents two algorithms to automatically detect abbreviations from a corpus of medical documents and offers the first inventory of abbreviations extracted from French hospital data. Linking hospital records to death certificates. The vital status of individuals is of central importance for many epidemiological studies and feasibility studies need to know whether eligible patients are alive or dead. Large volumes of data require a strategy to reduce the number of comparisons. We show that a vector space model offers excellent results in reducing the number of comparisons and that it is possible to automatically generate a gold standard from hospital data for linking hospital data and death certificates by machine learning. A web application to support the review of EHRs An interface, SmartCRF, has been developed to quickly search for information in an EHR. It comprises a lifeline, a search engine, a document viewer, and a recommendation system. Compared to the hospital software, it reduces the time spent on checking the inclusion and exclusion criteria of a feasibility study and facilitates the completion of an electronic case report., Le développement des technologies numériques a conduit à la numérisation des informations médicales et à la dématérialisation des dossiers papiers en dossiers patients informatisés (DPI). Les données générées dans un hôpital contiennent des informations précieuses pour la recherche médicale. Les hôpitaux ont mis en place des entrepôts de données (EDS) pour faciliter l’utilisation secondaire des données. Dans un EDS, les chercheurs ont besoin d’identifier les patients éligibles à une étude clinique et de retourner au DPI pour remplir le cahier d’observation électronique d’une étude. La principale difficulté réside dans le caractère non structuré des informations médicales présentes sous forme de texte libre. Des méthodes de traitement automatique de la langue sont nécessaires pour structurer les données afin de faciliter leur interrogation et leur extraction. L’objectif de cette thèse était de développer des outils et des méthodes pour aider les chercheurs à mener des études de faisabilité et à trouver des informations dans un DPI. Les principales contributions de cette thèse sont les suivantes: une terminologie sur les médicaments en langue française. De nombreuses études s’intéressent à l’utilisation, l’efficacité et à la tolérance des médicaments en vie réelle. Les médicaments permettent aussi d’identifier certaines maladies. L’absence d’une terminologie normalisée du médicament a conduit à la construction de Romedi, référentiel ouvert du médicament, qui offre de bonnes performances pour détecter et identifier les médicaments dans les données hospitalières. Un annotateur sémantique scalable à un entrepôt de données. L’annotation sémantique consiste à relier des séquences de mots d’un document aux concepts d’une terminologie. Elle permet la détection et l’indexation de concepts médicaux. Comment indexer des millions de documents d’un EDS avec des terminologies médicales contenant plusieurs centaines de milliers de termes ? Dans ce travail, nous proposons un nouvel algorithme, IAMsystem, scalable à l’échelle d’un entrepôt de données et dont la complexité dépend peu de la taille d’une terminologie. Un inventaire de sens des abréviations médicales. Les abréviations sont largement utilisées en médecine. Elles ajoutent de la complexité aux tâches de traitement automatique de la langue et doivent être prises en compte par un annotateur sémantique. Ce travail présente deux algorithmes pour détecter automatiquement des abréviations à partir d’un corpus de documents médicaux et propose le premier inventaire d’abréviations issu de données hospitalières en langue française. Une stratégie d’appariements de données hospitalières avec les certificats de décès Le statut vital des individus est d’une importance capitale pour de nombreuses études épidémiologiques et les études de faisabilité ont besoin de connaître si les patients éligibles sont vivants ou décédés. Les grands volumes de données nécessitent de recourir à un stratagème pour diminuer le nombre de comparaisons. Nous montrons qu’un modèle d’espace vectoriel offre d’excellents résultats pour diminuer le nombre de comparaisons et qu’il est possible de générer automatiquement un gold standard à partir de données hospitalières pour apparier données hospitalières et certificats de décès par apprentissage automatique. Une interface pour la revue des DPI. Une interface, SmartCRF, a été développée pour rechercher rapidement des informations dans un DPI. Elle est constituée d’une ligne de vie, d’un moteur de recherche, d’une visionneuse de documents et d’un système de recommandation. Par rapport au logiciel métier, elle permet de diminuer le temps passé à vérifier les critères d’inclusion et d’exclusion d’une étude de faisabilité et elle facilite le remplissage d’un cahier d’observation électronique.

International audience; Cet article présente des travaux visant à développer un système de rédaction automatique de résumés de textes économiques et financiers en attachant une attention particulière à l’idiomaticité et à la fluidité de la langue d’arrivée. Pour ce faire, l’étude part d’un corpus de rapports périodiques de la Banque de France relevant des discours de conjoncture. Le travail linguistique permet de montrer qu’une rédaction des résumés ne s’attachant qu’à l’extraction terminologique et collocationnelle stricte ignore tout un pan de vocabulaire, saisi ici comme « lexique support », jouant un rôle important dans l’organisation cognitive du domaine. Sur cette base, le travail présenté sur les modèles de langage en apprentissage profond met en avant la pertinence du mécanisme d’auto-attention pour identifier et extraire des schémas lexico-grammaticaux ainsi le lexique support, et l’impact sur le guidage du modèle de résumé abstractif de CamemBERT à travers l'augmentation des données. Une première expérimentation utilisant le corpus considéré ainsi que la méthode d'extraction sont présentées.

Le phénomène de la production automatisée d'informations, caractérisé par un processus de transformation de données structurées en textes en langage naturel ou en toute autre forme de représentation visuelle, interroge la manière dont il se développe dans le monde du journalisme. S'il peut être envisagé comme un produit fini qui sera délivré aux audiences sans médiation journalistique, cette thèse s'intéresse à son autre versant :celui d'un appui aux pratiques journalistiques. Souvent désigné par la métaphore du "robot journaliste", ce phénomène nourrit des représentations duales qui reflètent ses enjeux :tantôt abordé en termes de menace sur l'emploi, voire sur l'identité professionnelle des journalistes ;tantôt perçu comme une opportunité, dans une vision enchantée d'un journalisme en réinvention. Ceci pose la question du rapport du journaliste à l'objet technique, dès lors que celui-ci est conçu comme un outil qui lui fera gagner du temps dans ses routines, ou qui se posera en tant que source d'information s'ajoutant à un arsenal existant. Les objectifs de cette thèse sont de comprendre les mécanismes de structuration des usages professionnels dans le contexte de la production automatisée d'informations, d'identifier les sources de résistance qui ne permettent pas de réaliser ces usages et, partant, de contribuer à une meilleure compréhension d'une relation homme-machine placée sous tension. Considérant que l'on ne peut faire usage d'une technologie sans se la représenter, de quelle manière les représentations sociales et les pratiques culturelles des journalistes vont-elles participer à la structuration des usages (et des non-usages) d'artefacts de la production automatisée d'informations lorsque ceux-ci sont envisagés en tant qu'outils du journalisme ?Cette question de recherche a été envisagée selon deux hypothèses :celle de l'impact de la métaphore du "robot" quant à des résistances contre l'intégration de l'objet dans les routines professionnelles, et celle de l'adéquation des productions matérielles de l'artefact avec les savoir-faire et exigences journalistiques. L'analyse mise en oeuvre s'appuie sur les cadres conceptuels et théoriques proposés par le modèle SCOT (Social Construction Of Technology) et l'école française de la sociologie des usages. Elle s'est déployée dans le cadre d'une étude empirique menée dans deux rédactions en Belgique francophone, lesquelles se distinguent tant par leur culture professionnelle que par leur structure organisationnelle. Dans ces deux expériences, il s'agissait de suivre le processus d'une construction sociotechnique qui a activement impliqué les journalistes dans la conception des artefacts. Bien que cette première forme d'usage ne garantisse pas des usages finaux, elle pose les premiers jalons d'usages d'adoption. Les résistances observées ne sont pas nécessairement liées à la nature de l'objet technique. Elles sont également à trouver dans un manque d'intérêt envers le domaine d'application, une forme de technophobie, un manque d'appétence pour une approche par données dans le journalisme, une mise en cause du management et de l'organisation, ou encore dans une représentation duale induite par la métaphore du robot. Le mécanisme de structuration des usages va donc relever d'un processus complexe dépendant à la fois de facteurs endogènes, liés au contexte organisationnel et aux routines journalistiques, et de facteurs exogènes, liés aux cadres plus larges de l'imaginaire technologique et de la relation homme-machine., The phenomenon of news automation, characterized by the process of transformation of structured data into texts in natural language or any other form of visual representation, asks the question about how it is integrated within newsrooms. If it can be considered as a finished product that will be delivered to audiences without journalistic mediation, this thesis is interested in its aspect related to the support of journalistic practices. Often associated with the metaphor of the "robot journalist," news automation encourages dual representations that reflect its challenges: either a threat against employment and professional identity or an opportunity through an enchanted vision of the reinvention of journalism. This thesis explores how journalists tackle this new form of relationship as an artefact, as a tool, that is supposed to free them from repetitive and time-consuming tasks or to provide them an additional source of information. The aims of this research project are, therefore, to understand how it will shape new professional uses, to identify the causes of resistance that could lead to non-uses, and to contribute to a better understanding of a man-machine relationship developed under tension. Considering that one cannot make use of a given technology without representing it, how will the social representations and cultural practices of journalists contribute to shaping the uses (and the non-uses) of news automation software when it is considered as a journalistic tool? This research question was examined according to two hypotheses: that of the impact of the robot metaphor, and that of the adequacy of the material productions of the artefact with journalistic know-how and requirements. The analysis is based on conceptual and theoretical frameworks proposed by the SCOT model (Social Construction of Technology) and by the French school of the sociology of uses. It is approached through an empirical study conducted within two newsrooms in French-speaking Belgium, which are radically different both in their professional culture and in their organizational structure. In these two experiences, we have followed the process of a socio-technical construction which involved journalists in the design process. Although this first form of use does not guarantee the end-use of the two automation artefacts, it does lay the groundwork for adoption. The reasons to explain the observed resistances are not necessarily related to the nature of the object. They are also to be found in a lack of interest, a form of technophobia, a lack of appetite for a data-driven approach, a questioning of the management, or the dual representation induced by the robot metaphor. The mechanism for structuring the use will, therefore, be developed through a complex process shaped by both endogenous factors linked to the organizational context and journalistic routines, and exogenous factors related to the broader frameworks of the technological imaginaries and the man-machine relationship., Doctorat en Information et communication, info:eu-repo/semantics/nonPublished

National audience; Les référentiels de données géoréférencées sont de plus en plus utilisés pour permettre l'annotation spatiale de documents textuels et ainsi faciliter l'accès à leur contenu, voire son analyse spatiale. En revanche, peu de travaux se sont intéressés à l'extraction d'information géographique à partir de textes pour alimenter de tels référentiels. Le travail présenté dans cet article explore les potentialités de l'extraction d'information spatiale indirecte (noms de lieux, relations spatiales, etc.) dans les textes des Instructions Nautiques produites par le Service Hydrographique et Océanographique de la Marine (SHOM). La méthode proposée combine une approche lexicale et une approche à base de patrons linguistiques puis est comparée aux principales approches d'extraction d'information géographique en français. L'objectif est de construire et peupler une ontologie assurant le lien entre les connaissances textuelles sur l'environnement côtier et les référentiels cartographiques associés afin de développer des services d'aide à la navigation à base de raisonnement.

Human -Agent Interaction and Machine learning are two different research domains. Human-agent interaction refers to techniques and concepts involved in developing smart agents, such as robots or virtual agents, capable of seamless interaction with humans, to achieve a common goal. Machine learning, on the other hand, exploits statistical algorithms to learn data patterns. The proposed research work lies at the crossroad of these two research areas. Human interactions involve multiple modalities, which can be verbal such as speech and text, as well as non-verbal i.e. facial expressions, gaze, head and hand gestures, etc. To mimic real-time human-human interaction within human-agent interaction,multiple interaction modalities can be exploited. With the availability of multimodal human-human and human-agent interaction corpora, machine learning techniques can be used to develop various interrelated human-agent interaction models. In this regard, our research work proposes original models for addressee detection, turn change and next speaker prediction, and finally visual focus of attention behaviour generation, in multiparty interaction. Our addressee detection model predicts the addressee of an utterance during interaction involving more than two participants. The addressee detection problem has been tackled as a supervised multiclass machine learning problem. Various machine learning algorithms have been trained to develop addressee detection models. The results achieved show that the proposed addressee detection algorithms outperform a baseline. The second model we propose concerns the turn change and next speaker prediction in multiparty interaction. Turn change prediction is modeled as a binary classification problem whereas the next speaker prediction model is considered as a multiclass classification problem. Machine learning algorithms are trained to solve these two interrelated problems. The results depict that the proposed models outperform baselines. Finally, the third proposed model concerns the visual focus of attention (VFOA) behaviour generation problem for both speakers and listeners in multiparty interaction. This model is divided into various sub-models that are trained via machine learning as well as heuristic techniques. The results testify that our proposed systems yield better performance than the baseline models developed via random and rule-based approaches. The proposed VFOA behavior generation model is currently implemented as a series of four modules to create different interaction scenarios between multiple virtual agents. For the purpose of evaluation, recorded videos for VFOA generation models for speakers and listeners, are presented to users who evaluate the baseline, real VFOA behaviour and proposed VFOA models on the various naturalness criteria. The results show that the VFOA behaviour generated via the proposed VFOA model is perceived more natural than the baselines and as equally natural as real VFOA behaviour., Les travaux de recherche proposés se situe au carrefour de deux domaines de recherche, l'interaction humain-agent et l'apprentissage automatique. L’interaction humain-agent fait référence aux techniques et concepts impliqués dans le développement des agents intelligents, tels que les robots et les agents virtuels, capables d'interagir avec les humains pour atteindre un objectif commun. L’apprentissage automatique, d'autre part, exploite des algorithmes statistiques pour apprendre des modèles de donnée. Les interactions humaines impliquent plusieurs modalités, qui peuvent être verbales comme la parole et le texte, ainsi que les comportements non-verbaux, c'est-à-dire les expressions faciales, le regard, les gestes de la tête et des mains, etc. Afin d'imiter l'interaction humain-humain en temps réel en interaction humain-agent, plusieurs modalités d'interaction peuvent être exploitées. Avec la disponibilité de corpus d'interaction multimodales humain-humain et humain-agent, les techniques d'apprentissage automatique peuvent alors être utilisées pour développer des modèles interdépendants participant à l'interaction humain-agent. À cet égard, nos travaux de recherche proposent des modèles originaux pour la détection de destinataires d'énoncés, le changement de tour de parole et la prédiction du prochain locuteur, et enfin la génération de comportement d'attention visuelle en interaction multipartie. Notre modèle de détection de destinataire prédit le destinataire d'un énoncé lors d'interactions impliquant plus de deux participant. Le problème de détection de destinataires a été traité comme un problème d'apprentissage automatique multiclasse supervisé. Plusieurs algorithmes d'apprentissage ont été entrainés pour développer des modèles de détection de destinataires. Les résultats obtenus montrent que ces propositions sont plus performants qu'un algorithme de référence. Le second modèle que nous proposons concerne le changement de tour de parole et la prédiction du prochain locuteur dans une interaction multipartie. La prédiction du changement de tour est modélisée comme un problème de classification binaire alors que le modèle de prédiction du prochain locuteur est considéré comme un problème de classification multiclasse. Des algorithmes d'apprentissage automatique sont entraînés pour résoudre ces deux problèmes interdépendants. Les résultats montrent que les modèles proposés sont plus performants que les modèles de référence. Enfin, le troisième modèle proposé concerne le problème de génération du comportement d'attention visuelle (CAV) pour les locuteurs et les auditeurs dans une interaction multipartie. Ce modèle est divisé en plusieurs sous-modèles qui sont entraînés par l'apprentissage machine ainsi que par des techniques heuristiques. Les résultats attestent que les systèmes que nous proposons sont plus performants que les modèles de référence développés par des approches aléatoires et à base de règles. Le modèle de génération de comportement CAV proposé est mis en œuvre sous la forme d’une série de quatre modules permettant de créer différents scénarios d’interaction entre plusieurs agents virtuels. Afin de l’évaluer, des vidéos enregistrées pour les modèles de génération de CAV pour les orateurs et les auditeurs, sont présentées à des évaluateurs humains qui évaluent les comportements de référence, le comportement réel issu du corpus et les modèles proposés de CAV sur plusieurs critères de naturalité du comportement. Les résultats montrent que le comportement de CAV généré via le modèle est perçu comme plus naturel que les bases de référence et aussi naturel que le comportement réel.

This paper summarizes the work completed during a six-month internship in the Research & Development team of Linagora. The aim of this project is to develop a paraphrasing tool able to expand the training datasets of the smart vocal assistant LinTO. We started by analyzing the existing commands in the original corpus : the recurrent syntactic structures and the paraphrasing mecanisms that can be applied to them. From these observations, we created a rule-based grammar to generate semantically and synctactically correct sentences.; Ce document résume 6 mois de travail au sein de l’équipe Recherche et Développement de Linagora Toulouse. Le but de ce projet était de développer un module de paraphrase permettant d’enrichir le corpus d’apprentissage de l’agent conversationnel LinTO. Nous avons commencé par analyser les différentes commandes présentes dans notre corpus initial : les structures syntaxiques récurrentes et les mécanismes de paraphrasage qu’on peut leur appliquer. À partir de ces observations, nous avons créé une grammaire à base de règles pour générer plusieurs paraphrases d’une commande en entrée.

International audience; Nous proposons une découverte d'un domaine de la logique qui aura prochainement 100 ans : la logique combinatoire, dans le cadre des fonctions primitives récursives. Notre point de départ est le conte mathématique "Ne vous moquez pas de l'oiseau moqueur" de Raymond Smullyan. Après une brève description de la manière dont les objets de la logique combinatoire représentent les fonctions primitives récursives, nous donnons deux applications de celle-ci : l'algèbre de Boole et l'analyse syntaxique du langage naturel.

Pretopology is a mathematical theory whose goal is to relax the set of axioms governing the well known topology theory. Weakening the set of axioms mainly consists in redefining the pseudo-closure operator which is idempotent in topology. The non-idempotence of the pretopological pseudo-closure operator offers an appropriate framework for the modeling of various phenomena, such as iterative processes evolving throughout time. Pretopology is the outcome of the generalisation of several concepts, amongst topology but also graph theory. This thesis is divided in four main parts. The first one is an introduction to the theoretical framework of the pretopology, as well as an overview of several applications in domains where the pretopology theory shines, such as machine learning, image processing or complex systems analysis. The second part will settle the logical modeling of pretopological spaces which allows to define pretopological spaces by a logical and multi-criteria combination. This modeling enables learning algorithms to define pretopological spaces by learning a logical formula. This part will also present an unrestricted pretopological spaces learning algorithm. Unrestricted pretopological spaces can be quite hard to manipulate, especially when the studied population has some structural properties that can be described in a more restricted space. This is why the third part is dedicated to the automatic learning of pretopological spaces of type V. These spaces are defined by a set of prefilters which impose a particular structure. The LPSMI algorithm, which is the main contribution of this work, is presented in this part. This algorithm relies on the multi-instance learning principles to accurately capture the structural properties of pretopological spaces of type V. Finally, the last part consists of multiples application of the theoretical framework presented in this thesis. Applications to lexical taxonomies extraction, community detection and extraction of temporal relations, as part of a NLP process, will be presented in order to show the usefulness, the relevance and the flexibility of pretopological spaces learning., La prétopologie est une théorie mathématique visant à relaxer les axiomes régissant la théorie, bien connue, de la topologie. L'affaiblissement de cette axiomatique passe principalement par la redéfinition de l'opérateur d'adhérence qui, en topologie, est idempotent. La non-idempotence de l'opérateur d'adhérence prétopologique offre un cadre de travail plus pertinent pour la modélisation de phénomènes variés, par exemple des processus itératifs évoluant au cours du temps. La prétopologie est le fruit de la généralisation de plusieurs concepts, parmi lesquels la topologie mais aussi la théorie des graphes. Cette thèse comprend quatre parties majeures. La première partie consiste en une introduction du cadre théorique de la prétopologie puis à une mise en lumière de plusieurs applications de la prétopologie dans des domaines tels que l'apprentissage automatique, l'analyse d'images ou encore l'étude des systèmes complexes. La seconde partie permettra de poser et de définir la modélisation logique et multi-critères d'un espace prétopologique sur laquelle est basée cette thèse. Cette modélisation permet de définir des algorithmes d'apprentissage automatique de règles logiques afin de construire des espaces prétopologiques. Cette partie se focalisera sur l'apprentissage d'espaces prétopologiques non-restreints. L'étude des espaces prétopologiques non-restreints peut s'avérer être incommode, notamment lorsque la population étudiée exhibe certaines propriétés structurelles pouvant être décrites dans un espace plus restreint et plus simple à appréhender. C'est pourquoi la troisième partie est dédiée à l'apprentissage d'espaces prétopologiques de type V. Ces espaces sont définis par une famille de préfiltres, ce qui impose une structure particulière. La méthode d'apprentissage, LPSMI, présentée dans cette partie, qui constitue la contribution majeure de cette thèse, tient compte de cette structure si particulière en exploitant le concept d'apprentissage multi-instances. Enfin la dernière partie décrit plusieurs cas d'applications du cadre théorique proposé dans cette thèse. Ainsi, des applications à l'extraction de taxonomies lexicale, à la détection de communautés ainsi qu'a l'ordonnancement d'évènements temporels sont présentées et permettent de montrer l'intérêt, la souplesse et la pertinence de la prétopologie et de l'apprentissage d'espaces prétopologiques dans des domaines variés.

Dans le domaine biomédical, les informations cliniques et institutionnelles sont contenues dans le texte de publications scientifiques ou de dossiers patients et ne sont pas directement accessibles à des fins de traitement automatique. Pour pallier cela, le Traitement Automatique de la Langue Naturelle peut offrir des méthodes d’extraction d'information afin de convertir des textes libres en représentations exploitables pour la recherche médicale et la santé publique. Cependant, ces méthodes doivent être robustes face au volume, à la technicité et à la diversité des textes à traiter. Le Traitement Automatique de la Langue Biomédicale (ou TAL biomédical) est un champ de recherche pluridisciplinaire qui mobilise l'Informatique, la Linguistique ainsi que la Médecine. Il s'inscrit dans le champs du traitement automatique de la langue, tout en allant au delà du service rendu à la médecine. Trois thématiques ont particulièrement fait l'objet de mon travail ces dernières années. Il s'agit de: (1) la modélisation des informations; (2) l'analyse de textes en langue de spécialité; et(3) des applications biomédicales concrètes. Tout ce travail repose sur l’analyse de corpus variés du domaine. Ainsi, le développement de ressources en soutien du TAL biomédical, en particulier pour les langues autres que l'anglais comparativement peu dotées, est un défi scientifique majeur. Mes contributions sur ce point s'appuient sur une analyse des schémas de représentation des connaissances dans le domaine, qui a permis le développement de corpus annotés destinés à être partagés par la communauté à des fins de développement méthodologiques et d'évaluation. Une autre série de contributions a porté sur la proposition de méthodes d'analyse de textes médicaux, par exemple avec l'extraction d'entités et de relations. Ce travail a permis de montrer l'importance de la question de l'adaptation en domaine et de l'adaptation cross-langue. Enfin, mes contributions à des études ciblées sur des applications biomédicales permettent de souligner l'impact attendu du traitement automatique de la langue en épidémiologie, santé publique et sur les pratiques de recherche au delà de ces disciplines. L'un des défis du TAL biomédical est de réaliser pleinement ce potentiel en mettant des outils à disposition de la communauté médicale afin de devenir un levier incontournable de la recherche translationnelle.Ces travaux ont été réalisés en collaboration avec de nombreux collègues notamment au LIMSI CNRS et à la U.S. National Library of Medicine dans le cadre de plusieurs thèses, post-docs, stages de masters; et pour certains dans le cadre de projets de recherche ANR, H2020 et Digicosme, impliquant différents organismes, tels que l'Inserm, le CEA et des partenaires hospitaliers.

International audience; In this article, we describe and discuss our participation to a machine learning challenge whose goal was the prediction of linguistic competency of learners of English as a second language.; Dans cet article, nous décrivons et discutons notre participation à une compétition d'apprentissage automatique dont l'objectif a été la classification de textes anglais produits par des apprenants, par niveau de compétence langagière.

National audience

International audience; In this article, we describe and discuss our participation to a machine learning challenge whose goal was the prediction of linguistic competency of learners of English as a second language.; Dans cet article, nous décrivons et discutons notre participation à une compétition d'apprentissage automatique dont l'objectif a été la classification de textes anglais produits par des apprenants, par niveau de compétence langagière.

Since the 2000s, new techniques of text analysis have emerged at the crossroads of computer science, artificial intelligence and natural language processing. Although they were developed independently of any sociological theory, these methods are now being used by researchers—sociologists and non-sociologists alike—to produce new knowledge of the social domain exploiting the massive volume of textual materials now available. By providing an overview of recent sociological investigations that are based on quantitative analyses of textual corpora, this article identifies three conditions under which these approaches can be a resource for sociological inquiry. The three conditions that emerge from our analysis concern: 1) knowledge of the context of production of textual inscriptions; 2) integration of external data into the study itself; 3) the adaptation of algorithms for sociological reasoning.; Depuis les années 2000, de nouvelles techniques d’analyse textuelle font leur apparition au croisement des mondes informatiques, de l’intelligence artificielle et du traitement automatique de la langue. Bien qu’élaborées en dehors de toute préoccupation sociologique, ces techniques sont aujourd’hui mobilisées par des chercheurs – sociologues comme non-sociologues – dans le but de renouveler la connaissance du social en tirant parti du volume considérable de matériaux textuels aujourd’hui disponibles. En dressant un panorama des enquêtes sociologiques qui reposent sur la mise en données et le traitement quantitatif de corpus textuels, cet article identifie à quelles conditions ces approches peuvent constituer une ressource pour l’enquête sociologique. Les trois conditions qui émergent de notre analyse concernent : 1) la connaissance du contexte de production des inscriptions textuelles ; 2) l’intégration à l’enquête de données extérieures au texte lui-même ; 3) l’ajustement des algorithmes au raisonnement sociologique.

Since the 2000s, new techniques of text analysis have emerged at the crossroads of computer science, artificial intelligence and natural language processing. Although they were developed independently of any sociological theory, these methods are now being used by researchers—sociologists and non-sociologists alike—to produce new knowledge of the social domain exploiting the massive volume of textual materials now available. By providing an overview of recent sociological investigations that are based on quantitative analyses of textual corpora, this article identifies three conditions under which these approaches can be a resource for sociological inquiry. The three conditions that emerge from our analysis concern: 1) knowledge of the context of production of textual inscriptions; 2) integration of external data into the study itself; 3) the adaptation of algorithms for sociological reasoning.; Depuis les années 2000, de nouvelles techniques d’analyse textuelle font leur apparition au croisement des mondes informatiques, de l’intelligence artificielle et du traitement automatique de la langue. Bien qu’élaborées en dehors de toute préoccupation sociologique, ces techniques sont aujourd’hui mobilisées par des chercheurs – sociologues comme non-sociologues – dans le but de renouveler la connaissance du social en tirant parti du volume considérable de matériaux textuels aujourd’hui disponibles. En dressant un panorama des enquêtes sociologiques qui reposent sur la mise en données et le traitement quantitatif de corpus textuels, cet article identifie à quelles conditions ces approches peuvent constituer une ressource pour l’enquête sociologique. Les trois conditions qui émergent de notre analyse concernent : 1) la connaissance du contexte de production des inscriptions textuelles ; 2) l’intégration à l’enquête de données extérieures au texte lui-même ; 3) l’ajustement des algorithmes au raisonnement sociologique.

The Natural Language Processing (NLP) has technically improved regarding human speech vocabulary extension, morphosyntax scope, style and aesthetic. Affective Computing also tends to integrate an “emotional” dimension with a common goal shared with NLP which is to disambiguate the natural language and increase the human-machine interaction naturalness. Within social robotics, the interaction is modelled in dialogue systems trying to reach out an attachment dimension which effects need to an ethical and collective control. However, the situated natural language dynamics is undermining the automated system’s efficiency, which is trying to respond with useful and suitable feedbacks. This thesis hypothesis supposes the existence of a “socio-affective glue” in every interaction, set up in between two individuals, each with a social role depending on a communication context. This glue is so the consequence of dynamics generated by a process which mechanisms rely on an altruistic dimension, but independent of dominance dimension as seen in emotions studies. This glue would allow the exchange of the language events between interlocutors, by regularly modifying their relation and their role, which is changing themselves this glue, to ensure the communication continuity. The second hypothesis proposes the glue as built by “socio-affective pure prosody” forms that enable this relational construction. These cues are supposed to be carried by hearable and visible micro-expressions. The interaction events effect would also be gradual following the degree of the communication’s intentionality control. The graduation will be continuous through language primitives as 1) mouth noises (neither phonetics nor phonological sounds), 2) pre-lexicalised sounds, 3) interjections and onomatopoeias, 4) controlled command-based imitations with the same socio-affective prosody supposed to create and modify the glue. Within the Domus platform, we developed an almost living-lab methodology. It functions on agile and iterative loops co-constructed with industrial and societal partners. A wizard of oz approach – EmOz – is used to control the vocal primitives proposed as the only language tools of a Smart Home butler robot interacting with relationally isolated elderly. The relational isolation allows the dimensions the socio-affective glue in a contrastive situation where it is damaged. We could thus observe the primitives’ effects through multimodal language cues. One of the gerontechnology social motivation showed the isolation to be a phenomenon amplifying the frailty so can attest the emergence of assistive robotics. A vicious circle leads by the elderly communicational characteristics convey them to some difficulties to maintain their relational tissue while their bonds are beneficial for their health and well-being. If the proposed primitives could have a real effect on the glue, the automated system will be able to train the persons to regain some unfit mechanisms underlying their relational construction, and so possibly increase their desire to communicate with their human social surroundings. The results from the collected EEE corpus show the relation changes through various interactional cues, temporally organised. These denoted parameters tend to build an incremental dialogue system in perspectives – SASI. The first steps moving towards this system reside on a speech recognition prototype which robustness is not based on the accuracy of the recognised language content but on the possibility to identify the glue degree (i.e. the relational state) between the interlocutors. Thus, the recognition errors avoid the system to be rejected by the user, by tempting to be balanced by this system’s adaptive socio-affective intelligence.; Le Traitement Automatique de la Parole (TAP) s’intéresse de plus en plus et progresse techniquement en matière d’étendue de vocabulaire, de gestion de complexité morphosyntaxique, de style et d’esthétique de la parole humaine. L’Affective Computing tend également à intégrer une dimension « émotionnelle » dans un objectif commun au TAP visant à désambiguïser le langage naturel et augmenter la naturalité de l’interaction personne-machine. Dans le cadre de la robotique sociale, cette interaction est modélisée dans des systèmes d’interaction, de dialogue, qui tendent à engendrer une dimension d’attachement dont les effets doivent être éthiquement et collectivement contrôlés. Or la dynamique du langage humain situé met à mal l’efficacité des systèmes automatiques. L’hypothèse de cette thèse propose dans la dynamique des interactions, il existerait une « glu socio-affective » qui ferait entrer en phases synchroniques deux individus dotés chacun d’un rôle social impliqué dans une situation/contexte d’interaction. Cette thèse s'intéresse à des dynamiques interactionnelles impliquant spécifiquement des processus altruistes, orthogonale à la dimension de dominance. Cette glu permettrait ainsi de véhiculer les événements langagiers entre les interlocuteurs, en modifiant constamment leur relation et leur rôle, qui eux même viennent à modifier cette glu, afin d’assurer la continuité de la communication. La seconde hypothèse propose que la glu socio-affective se construise à partir d’une « prosodie socio-affective pure » que l’on peut retrouver dans certaines formes de micro-expressions vocales. L’effet de ces événements langagiers serait alors graduel en fonction du degré de contrôle d’intentionnalité communicative qui s’observerait successivement par des primitives langagières : 1) des bruits de bouche (non phonétiques, non phonologiques), 2) des sons prélexicaux, 3) des interjections/onomatopées, 4) des imitations à contenu lexical contrôlé. Une méthodologie living-lab est ainsi développée au sein de la plateforme Domus, sur des boucles agiles et itératives co-construites avec les partenaires industriels et sociétaux. Un Magicien d’Oz – EmOz – est utilisé afin de contrôler les primitives vocales comme unique support langagier d’un robot majordome d’un habitat intelligent interagissant avec des personnes âgées en isolement relationnel. Un large corpus, EmOz Elderly Expressions –EEE– est ainsi recueilli. Cet isolement relationnel permet méthodologiquement d’appréhender les dimensions de la glu socio-affective, en introduisant une situation contrastive dégradée de la glu. Les effets des primitives permettraient alors d’observer les comportements de l’humain à travers des indices multimodaux. Les enjeux sociétaux abordés par la gérontechnologie montrent que l’isolement est un facteur de fragilisation où la qualité de la communication délite le maillage relationnel des personnes âgées alors que ces liens sont bénéfiques à sa santé et son bien-être. L’émergence de la robotique d’assistance en est une illustration. Le système automatisé qui découlera des données et des analyses de cette étude permettrait alors d’entraîner les personnes à solliciter pleinement leurs mécanismes de construction relationnelle, afin de redonner l’envie de communiquer avec leur entourage humain. Les analyses du corpus EEE recueilli montrent une évolution de la relation à travers différents indices interactionnels, temporellement organisés. Ces paramètres visent à être intégrés dans une perspective de système de dialogue incrémental – SASI. Les prémisses de ce système sont proposées dans un prototype de reconnaissance de la parole dont la robustesse ne dépendra pas de l’exactitude du contenu langagier reconnu, mais sur la reconnaissance du degré de glu, soit de l’état relationnel entre les locuteurs. Ainsi, les erreurs de reconnaissance tendraient à être compensées par l’intelligence socio-affective adaptative de ce système dont pourrait être doté le robot.

The last years witnessed the success of the Linked Open Data (LOD) project as well as a significantly growing amount of semantic data sources available on the web. However, there are still a lot of data not being published as fully materialized knowledge bases like as sensor data, dynamic data, data with limited access patterns, etc. Such data is in general available through web APIs or web services. Integrating such data to the LOD or in mashups would have a significant added value. However, discovering such services requires a lot of efforts from developers and a good knowledge of the existing service repositories that the current service discovery systems do not efficiently overcome.In this thesis, we propose novel approaches and frameworks to search for semantic web services from a data integration perspective. Firstly, we introduce LIDSEARCH, a SPARQL-driven framework to search for linked data and semantic web services. Moreover, we propose an approach to enrich semantic service descriptions with Input-Output relations from ontologies to facilitate the automation of service discovery and composition. To achieve such a purpose, we apply natural language processing techniques and deep-learning-based text similarity techniques to leverage I/O relations from text to ontologies.We validate our work with proof-of-concept frameworks and use OWLS-TC as a dataset for conducting our experiments on service search and enrichment.; Ces dernières années ont témoigné du succès du projet Linked Open Data (LOD) et de la croissance du nombre de sources de données sémantiques disponibles sur le web. Cependant, il y a encore beaucoup de données qui ne sont pas encore mises à disposition dans le LOD telles que les données sur demande, les données de capteurs etc. Elles sont néanmoins fournies par des API des services Web. L'intégration de ces données au LOD ou dans des applications de mashups apporterait une forte valeur ajoutée. Cependant, chercher de tels services avec les outils de découverte de services existants nécessite une connaissance préalable des répertoires de services ainsi que des ontologies utilisées pour les décrire.Dans cette thèse, nous proposons de nouvelles approches et des cadres logiciels pour la recherche de services web sémantiques avec une perspective d'intégration de données. Premièrement, nous introduisons LIDSEARCH, un cadre applicatif piloté par SPARQL pour chercher des données et des services web sémantiques.De plus, nous proposons une approche pour enrichir les descriptions sémantiques de services web en décrivant les relations ontologiques entre leurs entrées et leurs sorties afin de faciliter l'automatisation de la découverte et de la composition de services. Afin d'atteindre ce but, nous utilisons des techniques de traitement automatique de la langue et d'appariement de textes basées sur le deep-learning pour mieux comprendre les descriptions des services.Nous validons notre travail avec des preuves de concept et utilisons les services et les ontologies d'OWLS-TC pour évaluer nos approches proposées de sélection et d'enrichissement.

International audience; Cet article propose une approche automatisée d’inférence de connaissances basée sur l’analyse de relations extraites à partir de textes. Son originalité repose sur la définition d’un cadre tenant compte (i) d’une structuration des objets étudiés (e.g. syntagmes nominaux) sous la forme d’un ordre partiel et (ii) de l’exploitation possible d’une connaissance a priori formalisée dans un modèle de connaissances de type ontologie (taxonomie). Ce cadre permet notamment de définir des règles de propagation de l’information basées sur la théorie des croyances afin d’inférer de nouvelles connaissances à partir des relations extraites. Bien qu’à portée plus large, notre approche est ici illustrée et évaluée au travers de la définition d’un système automatique exploitant des textes issus du Web afin de répondre à des questionnaires générés. Nous montrons notamment l’intérêt de structurer les extractions et le gain apporté par la prise en compte d’une connaissance a priori au sein d’une telle chaîne de traitement.

Dans le cadre du développement de son nouveau site internet, l’Université catholique de Louvain (UCL) a décidé de développer un nouveau moteur de recherche afin que les utilisateurs puissent se déplacer plus aisément au travers des pages et qu’ils trouvent avec plus de facilité les informations qu’ils recherchent. Pour développer ce moteur de recherche, l’UCL a fait appel au CENTAL (centre de traitement automatique du langage) et plus particulièrement à Patrick Watrin. Dans le cadre du stage en entreprise que j’ai effectué en 2016, j’ai participé durant 3 mois à l’amélioration de ce moteur de recherche aux côtés de Patrick Watrin qui fut mon maître de stage. Dans le but de continuer à travailler dans ce domaine, tout en abordant un sujet neuf, j’ai décidé de m’atteler à la tâche de créer un système de question-answering qui répondrait à des questions posées à propos de l’UCL. Au vu de l’ampleur de la tâche, il a été décidé que je me concentrerais uniquement sur les personnes et sur les informations qui y étaient liées. C’est ainsi que le projet Charlie est né. Master [120] en linguistique, Université catholique de Louvain, 2017

National audience; Notre propos, dans ce chapitre, est d’explorer l’utilisation d’un système d’analyse automatique de productions à des fins d’apprentissage, ReaderBench. Le contexte n’est pas, comme dans ses précédentes utilisations, un apprentissage médiatisé par ordinateur, mais une une nouvelle configuration dans laquelle il n’a pas encore été testé : une interaction orale enseignant-élèves. Il ne s’agit pas, bien sûr, d’envisager cette étude comme le remplacement d’analyses humaines, mais comme leur complément. Dans cette contribution nous étudions une partie des fonctionnalités de ce logiciel : analyse de mots-clés et des thèmes abordés (dans la globalité de la DVDP et par locuteur), les proximités thématiques des contributions des différents locuteurs ; l’apport de chacun à la discussion et la dimension dialogique.

National audience; Les données des sciences de l'homme forment souvent des corpus de textes, qui sont hétérogènes par leurs forme et contenus; spécifiques par leurs terminologie et signification. Ceci rend particulièrement délicate leur exploitation automatique à des fins de gestion de connaissances. À partir d'un corpus d'entretiens en histoire des sciences, nous présentons une méthode supervisée générant un réseau de documents liés par leurs proximités de contenus. Il s'agit d'un graphe multiple flou, basé sur l'extraction de \textit{n-grams} à taille variable. Un prototype en Python permet d'évaluer la méthode. Dans cet article, nous confrontons, de manière interdisciplinaire, le réseau d'informations construit par la méthode numérique à l'analyse qualitative du corpus historique. Nous essayons d'en dégager, d'une part, des améliorations de la méthode, et, d'autre part, des outils heuristiques pour l'historien.

This thesis is set within the context of Accordys, a knowledge engineering project aiming at providing a case-based reasoning system for fetopathology, i.e. the medical domain studying rare diseases and dysmorphia of fetuses. The project is based on a corpus of french fetal exam reports. This material consists in raw text reports diplaying a very specific vocabulary (only partially formalized in french medical terminologies), a "note taking" style that makes difficult to use tools analysing the grammar in the text, and a layout and formatting that shows a latent common structuration (organisation in sections, sub-sections, observations). This thesis aims at testing the hypothesis that a uniformisation of the representation of cases that could exploit this arborescent structure by mapping it with a tree-shaped case model can support the constitution of a case base which preserves the information contained in original reports and the similarity measurement between two cases. Mapping a case with the model (instanciating the case model) is done through a Monte Carlo tree matching method. We compare this with similarity measurements obtained by representing our reports (both without further processing and after semantic enrichment through a semantic annotator) in a vector model., Cette thèse se place dans le contexte d'Accordys, un projet d'ingénierie des connaissances qui vise à fournir un système de rapprochement de cas en fœtopathologie, qui est le domaine de l'étude des maladies rares et dysmorphies du fœtus. Ce projet se base sur un corpus de comptes rendus d'examens fœtaux. Ce matériel consiste en des comptes rendus en texte brut présentant un vocabulaire très spécifique (qui n'est que partiellement formalisé dans des terminologies médicales en français), des économies linguistiques (un style "prise de notes" très prononcé rendant difficile l'utilisation d'outils analysant la grammaire du texte) et une mise en forme matérielle exhibant une structuration commune latente (un découpage en sections, sous-sections, observations). Cette thèse vise à tester l'hypothèse qu'une uniformisation de la représentation des cas exploitant cette structure arborescente en la faisant correspondre à un modèle de cas (lui aussi arborescent) peut supporter la constitution d'une base de cas qui conserve les informations contenues dans les comptes rendus originaux et permette la mesure de similarité entre deux cas. La mise en correspondance entre cas et modèle (instanciation du modèle) est réalisée via un mapping d'arbres ayant pour base une méthode de Monte Carlo. Nous comparerons ceci avec des mesures de similarités obtenues en représentant nos comptes rendus (soit tels quels, soit enrichis sémantiquement grâce à un annotateur sémantique) dans un modèle vectoriel.

This thesis is set within the context of Accordys, a knowledge engineeringproject aiming at providing a case-based reasoning system for fetopathology,i.e. the medical domain studying rare diseases and dysmorphia of fetuses. Theproject is based on a corpus of french fetal exam reports. This materialconsists in raw text reports diplaying a very specific vocabulary (onlypartially formalized in french medical terminologies), a "note taking" stylethat makes difficult to use tools analysing the grammar in the text, and alayout and formatting that shows a latent common structuration (organisation insections, sub-sections, observations). This thesis aims at testing thehypothesis that a uniformisation of the representation of cases that couldexploit this arborescent structure by mapping it with a tree-shaped case modelcan support the constitution of a case base which preserves the informationcontained in original reports and the similarity measurement between two cases.Mapping a case with the model (instanciating the case model) is done througha Monte Carlo tree matching method. We compare this with similarity measurementsobtained by representing our reports (both without further processing and aftersemantic enrichment through a semantic annotator) in a vector model.; Cette thèse se place dans le contexte d'Accordys, un projet d'ingénierie desconnaissances qui vise à fournir un système de rapprochement de cas enfœtopathologie, qui est le domaine de l'étude des maladies rares et dysmorphiesdu fœtus. Ce projet se base sur un corpus de comptes rendus d'examens fœtaux.Ce matériel consiste en des comptes rendus en texte brut présentant unvocabulaire très spécifique (qui n'est que partiellement formalisé dans desterminologies médicales en français), des économies linguistiques (un style"prise de notes" très prononcé rendant difficile l'utilisation d'outilsanalysant la grammaire du texte) et une mise en forme matérielle exhibant unestructuration commune latente (un découpage en sections, sous-sections,observations). Cette thèse vise à tester l'hypothèse qu'une uniformisation dela représentation des cas exploitant cette structure arborescente en la faisantcorrespondre à un modèle de cas (lui aussi arborescent) peut supporter laconstitution d'une base de cas qui conserve les informations contenues dans lescomptes rendus originaux et permette la mesure de similarité entre deux cas. Lamise en correspondance entre cas et modèle (instanciation du modèle) estréalisée via un mapping d'arbres ayant pour base une méthode de MonteCarlo. Nous comparerons ceci avec des mesures de similarités obtenues enreprésentant nos comptes rendus (soit tels quels, soit enrichis sémantiquementgrâce à un annotateur sémantique) dans un modèle vectoriel.

With so many job adverts and candidate profiles available online, the e-recruitment constitutes a rich object of study. All this information is however textual data, which from a computational point of view is unstructured. The large number and heterogeneity of recruitment websites also means that there is a lot of vocabularies and nomenclatures. One of the difficulties when dealing with this type of raw textual data is being able to grasp the concepts contained in it, which is the problem of standardization that is tackled in this thesis. The aim of standardization is to create a unified process providing values in a nomenclature. A nomenclature is by definition a finite set of meaningful concepts, which means that the attributes resulting from standardization are a structured representation of the information. Several questions are however raised: Are the websites' structured data usable for a unified standardization? What structure of nomenclature is the best suited for standardization, and how to leverage it? Is it possible to automatically build such a nomenclature from scratch, or to manage the standardization process without one? To illustrate the various obstacles of standardization, the examples we are going to study include the inference of the skills or the category of a job advert, or the level of training of a candidate profile. One of the challenges of e-recruitment is that the concepts are continuously evolving, which means that the standardization must be up-to-date with job market trends. In light of this, we will propose a set of machine learning models that require minimal supervision and can easily adapt to the evolution of the nomenclatures. The questions raised found partial answers using Case Based Reasoning, semi-supervised Learning-to-Rank, latent variable models, and leveraging the evolving sources of the semantic web and social media. The different models proposed have been tested on real-world data, before being implemented in a industrial environment. The resulting standardization is at the core of SmartSearch, a project which provides a comprehensive analysis of the job market., Sachant qu'une grande partie des offres d'emplois et des profils candidats est en ligne, le e-recrutement constitue un riche objet d'étude. Ces documents sont des textes non structurés, et le grand nombre ainsi que l'hétérogénéité des sites de recrutement implique une profusion de vocabulaires et nomenclatures. Avec l'objectif de manipuler plus aisément ces données, Multiposting, une entreprise française spécialisée dans les outils de e-recrutement, a soutenu cette thèse, notamment en terme de données, en fournissant des millions de CV numériques et offres d'emplois agrégées de sources publiques.Une difficulté lors de la manipulation de telles données est d'en déduire les concepts sous-jacents, les concepts derrière les mots n'étant compréhensibles que des humains. Déduire de tels attributs structurés à partir de donnée textuelle brute est le problème abordé dans cette thèse, sous le nom de normalisation. Avec l'objectif d'un traitement unifié, la normalisation doit fournir des valeurs dans une nomenclature, de sorte que les attributs résultants forment une représentation structurée unique de l'information. Ce traitement traduit donc chaque document en un language commun, ce qui permet d'agréger l'ensemble des données dans un format exploitable et compréhensible. Plusieurs questions sont cependant soulevées: peut-on exploiter les structures locales des sites web dans l'objectif d'une normalisation finale unifiée? Quelle structure de nomenclature est la plus adaptée à la normalisation, et comment l'exploiter? Est-il possible de construire automatiquement une telle nomenclature de zéro, ou de normaliser sans en avoir une?Pour illustrer le problème de la normalisation, nous allons étudier par exemple la déduction des compétences ou de la catégorie professionelle d'une offre d'emploi, ou encore du niveau d'étude d'un profil de candidat. Un défi du e-recrutement est que les concepts évoluent continuellement, de sorte que la normalisation se doit de suivre les tendances du marché. A la lumière de cela, nous allons proposer un ensemble de modèles d'apprentissage statistique nécessitant le minimum de supervision et facilement adaptables à l'évolution des nomenclatures. Les questions posées ont trouvé des solutions dans le raisonnement à partir de cas, le learning-to-rank semi-supervisé, les modèles à variable latente, ainsi qu'en bénéficiant de l'Open Data et des médias sociaux. Les différents modèles proposés ont été expérimentés sur des données réelles, avant d'être implémentés industriellement. La normalisation résultante est au coeur de SmartSearch, un projet qui fournit une analyse exhaustive du marché de l'emploi.

With so many job adverts and candidate profiles available online, the e-recruitment constitutes a rich object of study. All this information is however textual data, which from a computational point of view is unstructured. The large number and heterogeneity of recruitment websites also means that there is a lot of vocabularies and nomenclatures. One of the difficulties when dealing with this type of raw textual data is being able to grasp the concepts contained in it, which is the problem of standardization that is tackled in this thesis. The aim of standardization is to create a unified process providing values in a nomenclature. A nomenclature is by definition a finite set of meaningful concepts, which means that the attributes resulting from standardization are a structured representation of the information. Several questions are however raised: Are the websites' structured data usable for a unified standardization? What structure of nomenclature is the best suited for standardization, and how to leverage it? Is it possible to automatically build such a nomenclature from scratch, or to manage the standardization process without one? To illustrate the various obstacles of standardization, the examples we are going to study include the inference of the skills or the category of a job advert, or the level of training of a candidate profile. One of the challenges of e-recruitment is that the concepts are continuously evolving, which means that the standardization must be up-to-date with job market trends. In light of this, we will propose a set of machine learning models that require minimal supervision and can easily adapt to the evolution of the nomenclatures. The questions raised found partial answers using Case Based Reasoning, semi-supervised Learning-to-Rank, latent variable models, and leveraging the evolving sources of the semantic web and social media. The different models proposed have been tested on real-world data, before being implemented in a industrial environment. The resulting standardization is at the core of SmartSearch, a project which provides a comprehensive analysis of the job market., Sachant qu'une grande partie des offres d'emplois et des profils candidats est en ligne, le e-recrutement constitue un riche objet d'étude. Ces documents sont des textes non structurés, et le grand nombre ainsi que l'hétérogénéité des sites de recrutement implique une profusion de vocabulaires et nomenclatures. Avec l'objectif de manipuler plus aisément ces données, Multiposting, une entreprise française spécialisée dans les outils de e-recrutement, a soutenu cette thèse, notamment en terme de données, en fournissant des millions de CV numériques et offres d'emplois agrégées de sources publiques.Une difficulté lors de la manipulation de telles données est d'en déduire les concepts sous-jacents, les concepts derrière les mots n'étant compréhensibles que des humains. Déduire de tels attributs structurés à partir de donnée textuelle brute est le problème abordé dans cette thèse, sous le nom de normalisation. Avec l'objectif d'un traitement unifié, la normalisation doit fournir des valeurs dans une nomenclature, de sorte que les attributs résultants forment une représentation structurée unique de l'information. Ce traitement traduit donc chaque document en un language commun, ce qui permet d'agréger l'ensemble des données dans un format exploitable et compréhensible. Plusieurs questions sont cependant soulevées: peut-on exploiter les structures locales des sites web dans l'objectif d'une normalisation finale unifiée? Quelle structure de nomenclature est la plus adaptée à la normalisation, et comment l'exploiter? Est-il possible de construire automatiquement une telle nomenclature de zéro, ou de normaliser sans en avoir une?Pour illustrer le problème de la normalisation, nous allons étudier par exemple la déduction des compétences ou de la catégorie professionelle d'une offre d'emploi, ou encore du niveau d'étude d'un profil de candidat. Un défi du e-recrutement est que les concepts évoluent continuellement, de sorte que la normalisation se doit de suivre les tendances du marché. A la lumière de cela, nous allons proposer un ensemble de modèles d'apprentissage statistique nécessitant le minimum de supervision et facilement adaptables à l'évolution des nomenclatures. Les questions posées ont trouvé des solutions dans le raisonnement à partir de cas, le learning-to-rank semi-supervisé, les modèles à variable latente, ainsi qu'en bénéficiant de l'Open Data et des médias sociaux. Les différents modèles proposés ont été expérimentés sur des données réelles, avant d'être implémentés industriellement. La normalisation résultante est au coeur de SmartSearch, un projet qui fournit une analyse exhaustive du marché de l'emploi.

Cette expression "subjectivité artificielle" est un pléonasme, s'il est exact que la subjectivité humaine ne peut être qu'artificielle (au sens d'acquise et non innée)... Elle désignerait donc :1. le programme subjectif prétendument "naturel", mais il se pourrait bien que la subjectivité humaine ne puisse être qu'artificielle : il n'y a pas de "nature humaine", seulement une "condition humaine"2. tout logiciel de subjectivité artificielle écrit par des humains pour simuler la subjectivité humaine "naturelle", et en particulier les subjilectes ou lectes subjectifs. À ce propos, signalons que dès 1983, inspirés par le titre du livre de William Skyvington ("Machina sapiens". Essai sur l'intelligence artificielle. Seuil, 1976), nous avons proposé l'expression "Machina subjectiva" pour désigner l'ensemble des projets tendant à construire cette subjectivité artificielle, et déposé à l'INPI le terme "subjiciel" pour désigner les logiciels de subjectivité artificielle.

National audience; Nous décrivons un prototype de Manuel ouvert, online et massif (MOOT) auquel on peut intégrer diverses fonctionnalités utilisant des tech- niques de Traitement automatique de la langue, afin de promouvoir l’apprentissage auto-régulé. Nous discutons également de l’intérêt de disposer de ressources largement ouvertes, accessibles et flexibles dans l’enseignement supérieur.

Organisé par le Centre de Linguistique Interlangue, de Lexicologie, de Linguistique Anglaise et de Corpus – Atelier de Recherche sur la Parole (CLILLAC-ARP EA 3967) de l’Université Paris Diderot, l’Association Française de Linguistique Appliquée (AFLA) et les associations partenaires.; International audience; La République du Vanuatu est un archipel d’environ 80 îles volcaniques situé dans le sud de l’Océanie. Les îles sont habitées par environ 250 000 personnes qui parlent au moins une des 110 langues actuellement recensées. Il s'agit de la densité linguistique la plus élevée au monde. Cependant, son équilibre est aujourd’hui menacé (Moseley, 2010), d'où la nécessité de documenter et de créer des ressources pour ces langues. La variété linguistique de ces îles est aussi représentative d’une diversité culturelle qui reste encore peu documentée, notamment, parce que les différents acteurs d'un projet de documentation de la langue (communauté d’accueil, centre de documentation, centre culturel du Vanuatu) ont des attentes spécifiques nécessitant, dès l’élaboration initiale du projet, de concevoir une approche globale du retour des données. Dans le cadre de cette communication, nous montrerons comment l’utilisation de l’informatique permet d’articuler des enjeux ethnolinguistiques (liés à la description du nisvai) à l'enjeu local : la demande par les locuteurs de disposer de ressources sur la langue. Dans un premier temps, nous présenterons la communauté nisvai, à l'origine de la demande et favorable à la mise en place d’une méthodologie de travail participative : des ateliers regroupant plusieurs familles et un participant extérieur en charge de la description linguistique et la construction de ressources. Nous décrirons ces ateliers et les aléas du terrain qui ont suivi. Cette méthode de travail a, en effet, généré les discussions nécessaires pour établir un consensus sur les thèmes à aborder et les ressources langagières en résultant. C’est à cette étape de la procédure que l’intérêt du travail a été validé par les acteurs locaux. Dans une deuxième partie, nous montrerons comment l’utilisation de l’informatique permet d'articuler les données recueillies et les ressources locales. À cette fin, nous présenterons les données collectées et comment celles-ci ont été pensées et organisées au regard des travaux existants, bibliographiques ou en ligne. L'objectif, pour nous, était (a) de constituer un ensemble de données pertinent et le plus exhaustif possible, et (b) d'identifier globalement les divers problèmes, tels que les licences d’utilisation, l’annotation des données de terrain, leur structuration, et la restitution des documents auprès des partenaires. Nous conclurons cette partie par une présentation des ressources obtenues suite au travail de documentation des données.Enfin, nous finirons la communication avec l'idée que le traitement des ressources numériques permet d’interroger la “restitution fonctionnelle” des données recueillies : pour la première fois, il est possible, via le numérique, d’envisager la restitution différenciée des corpus dans une dynamique collaborative entre les différents participants au projet, sur le terrain et au sein des institutions impliquées.Moseley, Ch. (2010) Atlas des langues en danger dans le monde, Éditions UNESCO.Austin, P. et Sallabank, J. (2011) The Cambridge Handbook of Endangered Languages, Cambridge University Press.

La République du Vanuatu est un archipel d’environ 80 îles volcaniques situé dans le sud de l’Océanie. Les îles sont habitées par environ 250 000 personnes qui parlent au moins une des 110 langues actuellement recensées. Il s'agit de la densité linguistique la plus élevée au monde. Cependant, son équilibre est aujourd’hui menacé (Moseley, 2010), d'où la nécessité de documenter et de créer des ressources pour ces langues. La variété linguistique de ces îles est aussi représentative d’une diversité culturelle qui reste encore peu documentée, notamment, parce que les différents acteurs d'un projet de documentation de la langue (communauté d’accueil, centre de documentation, centre culturel du Vanuatu) ont des attentes spécifiques nécessitant, dès l’élaboration initiale du projet, de concevoir une approche globale du retour des données. Dans le cadre de cette communication, nous montrerons comment l’utilisation de l’informatique permet d’articuler des enjeux ethnolinguistiques (liés à la description du nisvai) à l'enjeu local : la demande par les locuteurs de disposer de ressources sur la langue. Dans un premier temps, nous présenterons la communauté nisvai, à l'origine de la demande et favorable à la mise en place d’une méthodologie de travail participative : des ateliers regroupant plusieurs familles et un participant extérieur en charge de la description linguistique et la construction de ressources. Nous décrirons ces ateliers et les aléas du terrain qui ont suivi. Cette méthode de travail a, en effet, généré les discussions nécessaires pour établir un consensus sur les thèmes à aborder et les ressources langagières en résultant. C’est à cette étape de la procédure que l’intérêt du travail a été validé par les acteurs locaux. Dans une deuxième partie, nous montrerons comment l’utilisation de l’informatique permet d'articuler les données recueillies et les ressources locales. À cette fin, nous présenterons les données collectées et comment celles-ci ont été pensées et organisées au regard des travaux existants, bibliographiques ou en ligne. L'objectif, pour nous, était (a) de constituer un ensemble de données pertinent et le plus exhaustif possible, et (b) d'identifier globalement les divers problèmes, tels que les licences d’utilisation, l’annotation des données de terrain, leur structuration, et la restitution des documents auprès des partenaires. Nous conclurons cette partie par une présentation des ressources obtenues suite au travail de documentation des données.Enfin, nous finirons la communication avec l'idée que le traitement des ressources numériques permet d’interroger la “restitution fonctionnelle” des données recueillies : pour la première fois, il est possible, via le numérique, d’envisager la restitution différenciée des corpus dans une dynamique collaborative entre les différents participants au projet, sur le terrain et au sein des institutions impliquées.Moseley, Ch. (2010) Atlas des langues en danger dans le monde, Éditions UNESCO.Austin, P. et Sallabank, J. (2011) The Cambridge Handbook of Endangered Languages, Cambridge University Press.

J'ai présenté pendant une heure le mardi 24 mars 2015 ma méthode d'analyse de discours, l'Analyse des Logiques Subjectives©, à un laboratoire d'informatique linguistique du C.N.R.S. à Marseille. Voici le lien vers la présentation de ce labo, le TALEP (Traitement Automatique du Langage Écrit et Parlé) : http://www.lif.univ-mrs.fr/recherche/equipes/6/presentation. Et voici le rapport en 12 pages avec exemples et commentaires que les participants ont pu avoir sous les yeux pendant cet exposé.

Mise à jour, en un seul tableau et avec quelques modifications, des deux tableaux précédemment publiés dans mon article "Linguistique et psychanalyse : pour une approche logiciste", disponible sur ce site. On appréciera, après avoir pris connaissance de ce tableau, l'intuition psychologique de Charles Baudelaire qui écrit, à la première phrase de Mon cœur mis à nu (1864) : « De la VAPORISATION et de la CENTRALISATION du Moi. Tout est là. » L'Analyse des Logiques Subjectives© (A.L.S.© ) est une méthode originale d'analyse de discours partant des métaphores quotidiennes et de la psychanalyse. Elle permet d’avoir une idée de la personnalité de l’auteur et de ceux qu’il pourrait convaincre, sans recourir au non-verbal.L'A.L.S.© prend en compte le sens des mots, non pas globalement, mais en le décomposant en "atomes" de sens le plus élémentaires possible, afin de trouver des tendances générales, des invariants subjectifs indépendants du sujet abordé dans le texte considéré. Elle peut être considérée comme une "micro-sémantique du fantasme", s'inscrivant dans une "logique de la déraison", et ouvrant la voie à une forme de Subjectivité Artificielle : https://hal.archives-ouvertes.fr/view/index/docid/1101953Applications dans de nombreux domaines des Sciences Humaines et Sociales : linguistique, littérature, poésie, traduction, rhétorique, argumentation, psychologie sociale.

The massification of the Internet and computers has changed several aspects of our daily life and the way we apply to a job is not the exception. Nowadays, the recruitment and selection of applicants for a job is done through the use of information technologies, creating what it is known as e-Recruitment. Since the last 15 years, the researchers in Natural Language Processing have been studying how to improve the performance of recruiters with the help of the e-Recruitment. Several systems have been developed in this field, from the job and applicants search engines to the automatic ranking of applicants. In the last case, most of the developed systems consist in the comparison between the résumés of applicants and a job offer. Only one system makes use of résumés from past selection processes to rank newer applicants.In this thesis we study whether and how we can use the résumés, without having to use past selection processes, to develop new methods for e-Recruitment systems. More specifically, we start with the automatic treatment of a large set of résumés used during real recruitment and selection processes. Then, we analyze and apply different proximity measures to know which are the most adequate to study the résumés of applicants. We introduce, after, an innovative method which consists on the Relevance Feedback and the use of proximity measures over uniquely the résumés to rank applicants. Finally, we present the study and application of a statistical measure which allows us to compare, at the same time, the job offer, one specific applicant and the rest of applicants, in order to rank all the job candidates. Along this thesis we show that résumés have enough information about the selection processes, in order to rank the applicants. Nonetheless, it is important to choose correctly the proximity measure to use. As well, we present interesting outcomes from the triple comparison between résumés and job offers.The results obtained in this thesis are the basis for a new prototype of an e-Recruitment system and hopefully, the beginning of a new way to create these., L'utilisation massive de l'Internet et les ordinateurs ont changé plusieurs aspects de notre vie quotidienne et la façon que nous postulons pour un travail n'y fait pas exception. Aujourd'hui, le recrutement et sélection des candidats pour un poste se font en utilisant les technologies de l'information. Ceci a créé le recrutement électronique. Depuis les 15 dernières années, les chercheurs du Traitement de la Langue Naturelle ont étudié comment améliorer les performances des recruteurs avec l'aide du recrutement électronique. Beaucoup de systèmes ont été développés dans ce domaine, depuis les moteurs de recherche de candidats ou de postes jusqu'au classement automatique de candidats. Dans ce dernier cas, les systèmes développés font, pour la plupart, la comparaison entre les CV des candidats et les offres d'emploi. Seul un système utilise les CV de processus de sélection relevant du passé pour classer les candidats à un nouveau poste. Dans le cadre de cette thèse, nous avons étudié la possibilité et la façon d'utiliser les CV, sans avoir à exploiter aucun processus de sélection précédent, pour développer nouvelles méthodes applicables aux systèmes de recrutement électronique. Plus spécifiquement, nous commençons par le traitement automatique d'un grand ensemble de CV utilisés pendant des processus réels de recrutement et sélection. Ensuite, nous analysons et appliquons différentes mesures de proximité pour savoir lesquelles sont les plus appropriées pour étudier les CV des candidats. Après, nous introduisons une méthode innovante qui repose sur le Relevance Feedback et l'utilisation de mesures de proximité seulement sur les CV pour pouvoir classer les candidats d'un poste. Finalement, nous présentons l'étude et l'application d' une mesure statistique permettant de comparer, en même temps, l'offre d'emploi, un certain candidat et les autres candidats ; le but est de pouvoir classer tous les candidats d'un poste. Dans cette thèse, nous montrons que les CV contiennent assez d'information sur le processus de sélection pour pouvoir classer les candidats. Néanmoins, il est important de choisir correctement les mesures de proximité à utiliser. D'ailleurs, nous présentons des résultats intéressants de la triple comparaison entre les CV et les offres d'emploi. Les résultats obtenus dans cette thèse forment une base pour la conception de nouveaux prototypes de systèmes de recrutement électronique et possiblement le début d'une nouvelle façon pour les développer.

International audience; From its humble beginnings in the sixties when access to computers was only for the happy few, the corpus linguistic research paradigm has gradually developed, to finally explode with first the advent of the personal computer, and, in more recent years, access to large reference corpora and vast amounts of online data. This last factor is in itself transforming this young discipline, raising new questions and questioning some of its basic precepts. This book will help show where the field may be going, and show the great wealth of approaches to the object of study that is a corpus.

The abundance of biomedical information expressed in natural language has resulted in the need for methods to process this information automatically. In the field of Natural Language Processing (NLP), Information Extraction (IE) focuses on the extraction of relevant information from unstructured data in natural language. A great deal of IE methods today focus on Machine Learning (ML) approaches that rely on deep linguistic processing in order to capture the complex information contained in biomedical texts. In particular, syntactic analysis and parsing have played an important role in IE, by helping capture how words in a sentence are related. This thesis examines how dependency parsing can be used to facilitate IE. It focuses on a task-based approach to dependency parsing evaluation and parser selection, including a detailed error analysis. In order to achieve a high quality of syntax-based IE, different stages of linguistic processing are addressed, including both pre-processing steps (such as tokenization) and the use of complementary linguistic processing (such as the use of semantics and coreference analysis). This thesis also explores how the different levels of linguistics processing can be represented for use within an ML-based IE algorithm, and how the interface between these two is of great importance. Finally, biomedical data is very heterogeneous, encompassing different subdomains and genres. This thesis explores how subdomain adaptation can be achieved by using already existing subdomain knowledge and resources. The methods and approaches described are explored using two different biomedical corpora, demonstrating how the IE results are used in real-life tasks.; La thèse s'inscrit dans le contexte décrit précédemment : il s'agit d'explorer des techniques d'acquisition de connaissances lexicales à partir de textes, à des fins tant théoriques qu'applicatives. l'analyse portera plus particulièrement sur le prédicat verbal et ses nominalisations car celui-ci joue un rôle essentiel pour les applications de tal (repérage d'événements, extraction d'information, etc.). on s'intéressera par exemple à l'acquisition de cadres de sous-catégorisation et de restrictions de sélections afin de déterminer des familles de verbes ayant un comportement syntaxico-sémantique proche. la stratégie envisagée est fortement inspirée des travaux de z. harris et de ses collègues (harris 1951, 1988 ; harris et al., 1989). celui-ci a montré que les textes techniques n'utilisent pas toute la complexité de la langue mais font au contraire usage de « sous-langages ». un sous-langage a un vocabulaire spécialisé et une syntaxe simplifiée par rapport à la langue courante. les textes de spécialités font donc apparaître des régularités qui peuvent s'analyser par analyse distributionnelle (en simplifiant : les éléments apparaissant dans des contextes similaires ont des sens similaires, ou tout au moins proches). seulement, l'analyse distributionnelle en peut fonctionner que si le texte a été « nettoyé » des variations linguistiques de surface. une pré-analyse des textes est donc cruciale.

The field of natural language processing has witnessed very rapid developments in recent years, particularly with respect to methods used for statistical text analysis. These methods have been brought into focus by several disciplines in particular : the study of texts, linguistics, discours analysis, statistics, computer sciences, and survey processing. This research project develops within the framework of an issue that concerns the publishing company Short Editions. It relies on contributions in a field that employs a vast variety of designations (lexical statistics, statistical linguistics, quantitative linguistics, etcetera). Our work involves the creation of a prototype that allows for the identification of texts that present the characteristics of a quality text and to find appropriate methods of classification of these texts based on data and text mining principles.; Le domaine du traitement automatique des langues naturelles a connu des évolutions très rapides ces dernières années, et spécialement les méthodes de statistique textuelle. Elles ont été mises en lumière par plusieurs disciplines : l'étude des textes, la linguistique, l'analyse du discours, la statistique, l'informatique, le traitement des enquêtes. Ce projet de recherche s'inscrit dans le cadre de la problématique de Short Edition qui concerne l'éditeur communautaire de littérature courte. L'objectif est d'assister le travail du comité de lecture en effectuant une première catégorisation des textes. Notre travail implique la conception et la mise en œuvre d'un prototype permettant de repérer les textes qui présentent les caractéristiques d'un texte de qualité et de trouver une méthode de classification en nous fondant sur les principes de la fouille de données permettant de bien classer nos textes.

La sélection des variétés de blé d’intérêt agronomique est un enjeu millénaire. Les évolutions récentes de la biologie permettent d’accélérer considérablement le processus de sélection par l’identification de marqueurs génétiques liés à des gènes impliqués dans le contrôle d’un caractère d’intérêt comme le nombre de grains ou la résistance aux maladies. Nous décrivons ici la méthode mise en œuvre pour extraire de façon automatique et à grande échelle, cette information de la littérature scientifique. Elle s’appuie sur la définition d’un modèle de connaissance adapté à sa représentation et à son extraction, ainsi que sur le thésaurus WheatPhenotypes des caractères et phénotypes construit dans ce but. La première étape de l’extraction automatique porte sur la reconnaissance des entités par deux méthodes complémentaires, l’une pour les termes figés basée sur des dictionnaires et patrons et l’autre pour les termes plus variables basée sur une analyse terminologique et sémantique. Elles sont évaluées sur des ensembles d’exemples annotés, manuellement, de référence. Les premiers résultats d’extraction d’entités obtenus sont très prometteurs. Ils sont exploités dans le moteur de recherche sémantique AlvisIRWheatMarker spécialisé dans la recherche d’information de marqueurs génétiques du blé.

This article, which can be read by non-psychoanalysts, intends to browse in four stages through the issue offered to our thinking : two (odd-numbered) stages analyzing the argument that provides its context, and two (even-numbered) of propositions presenting our views on what could be the content of the analytic discourse in the coming years. After this introduction, a first reading will point by point but informally review the argument of J.-P. Journet by showing that each of its clauses may generate a “bifurcated” comment able to serve or go against the analytic discourse. Hence the interest of the “differential diagnosis” mentioned in our title (french : DIAGNOSTIC DIFFÉRENTIEL), which makes glimpse the traps that the HOMONYMY may set to this speech. Then, to prepare a second scan which sticks neither to the analytical doxa, nor to the even authoritative opinions of our tenors and seniors, it will be proposed two attempts at redefinitions (“APOPHATIC” and “RECURSIVE”) of what psychoanalysis is, as well as methodological tools operating downstream from these redefinitions to thwart the obstacles of “external” and “internal” homonymy (starting from a syllogism which can make consensus). The third stage will precisely be made of our second scan of the issue, whose elements will be reviewed and analyzed more methodically : “external differential diagnosis” between the analytic discourse and psychology, philosophy, sociology, and modern science, and “internal differential diagnosis” on the entanglement between theoretical advances of psychoanalysts and the repeated survival of fantasmatic elements... Finally, a fourth part will present propositions and perspectives resulting from these analysis (principle of economy as to the source of psychoanalytical theorizations; dialogue with the other fields, but without compromising; specific relations with the discourse of science), all this leading to an invitation, beyond disputes (french : DIFFÉRENDS), to renew the content of the analytic discourse on some points..., Cet article, qui se veut lisible aux non-analystes, se propose de parcourir en quatre temps la problématique offerte à notre réflexion : deux temps (de rang impair) d'analyse de l'argument qui en fournit le contexte, et deux (de rang pair) de propositions présentant nos vues sur ce que pourrait être la teneur du discours analytique dans les prochaines années. Après cette introduction, un premier parcours réexaminera point par point mais informellement l'argument de J.-P. Journet en montrant que chacune de ses propositions peut donner lieu à un commentaire “bifide” à même de servir ou de desservir le discours analytique. D'où l'intérêt du “DIAGNOSTIC DIFFÉRENTIEL” évoqué dans notre titre, qui fait entrevoir les pièges que l'HOMONYMIE peut tendre à ce discours. Puis, pour préparer un second balayage qui ne s'en tienne ni à la doxa analytique, ni aux opinions même autorisées de nos ténors et seniors, il sera proposé deux tentatives de redéfinitions (“APOPHATIQUE” et “RÉCURSIVE”) de ce qu'est l'analyse, ainsi que des outils méthodologiques fonctionnant en aval de ces redéfinitions pour déjouer les embûches de l'homonymie “externe” et “interne” (à partir d'un syllogisme pouvant faire consensus). Le troisième temps sera fait justement de ce second balayage de la problématique, dont les éléments seront reconsidérés et analysés plus méthodiquement : “diagnostic différentiel externe” entre le discours analytique et les discours psychologique, philosophique, sociologique et celui de la science moderne ; et “diagnostic différentiel interne” portant sur l'intrication entre avancées théoriques des analystes et survivance à répétition d'éléments fantasmatiques... Enfin une quatrième partie exposera propositions et perspectives résultant de ces analyses (principe d'économie quant à la source des théorisations analytiques ; dialogue avec les autres champs, mais sans compromissions ; relations spécifiques avec le discours de la science), l'ensemble débouchant sur une invitation, au delà des DIFFÉRENDS, à renouveler sur certains points la teneur du discours analytique...

This thesis focuses on the modelisation of syntax and syntax-semantics interface of sentences, and investigate how the control of the surgeneration caused by the treatment of linguistics movements with higher order types can take place at the level of derivation structures. For this purpose, we look at the possibility to extend the type system of Abstract Categorial Grammars with the constructions of disjoint sum, cartesian product and dependent product, which enable syntactic categories to be labeled by feature structures. At first, we demonstrate that the calculus associated with this extension enjoy the properties of confluence and normalization, by which beta-equivalence can be computed in the grammatical formalism. We also reduce the same problem for beta-eta-equivalence to a few hypothesis. Then, we show how this feature structures can be used to control linguistics movements, through the examples of case constraints, extraction islands for overt and covert movements and multiples interrogative extractions, and we discuss the relevancy of operating these controls on the derivation structures.; Cette thèse s'intéresse à la modélisation de la syntaxe et de l'interface syntaxe-sémantique de la phrase, et explore la possibilité de contrôler au niveau des structures de dérivation la surgénération que produit le traitement des dépendances à distance par des types d'ordre supérieur. À cet effet, nous étudions la possibilité d'étendre le système de typage des Grammaires Catégorielles Abstraites avec les constructions de la somme disjointe, du produit cartésien et du produit dépendant, permettant d'étiqueter les catégories syntaxiques par des structures de traits. Nous prouvons dans un premier temps que le calcul résultant de cette extension bénéficie des propriétés de confluence et de normalisation, permettant d'identifier les termes beta-équivalents dans le formalisme grammatical. Nous réduisons de plus le même problème pour la beta-eta-équivalence à un ensemble d'hypothèse de départ. Dans un second temps, nous montrons comment cette introduction de structures de traits peut être appliquée au contrôle des dépendances à distances, à travers les exemples des contraintes de cas, des îlots d'extraction pour les mouvements explicites et implicites, et des extractions interrogatives multiples, et nous discutons de la pertinence de placer ces contrôles sur les structures de dérivation.

This thesis focuses on the modelisation of syntax and syntax-semantics interface of sentences, and investigate how the control of the surgeneration caused by the treatment of linguistics movements with higher order types can take place at the level of derivation structures. For this purpose, we look at the possibility to extend the type system of Abstract Categorial Grammars with the constructions of disjoint sum, cartesian product and dependent product, which enable syntactic categories to be labeled by feature structures. At first, we demonstrate that the calculus associated with this extension enjoy the properties of confluence and normalization, by which beta-equivalence can be computed in the grammatical formalism. We also reduce the same problem for beta-eta-equivalence to a few hypothesis. Then, we show how this feature structures can be used to control linguistics movements, through the examples of case constraints, extraction islands for overt and covert movements and multiples interrogative extractions, and we discuss the relevancy of operating these controls on the derivation structures., Cette thèse s'intéresse à la modélisation de la syntaxe et de l'interface syntaxe-sémantique de la phrase, et explore la possibilité de contrôler au niveau des structures de dérivation la surgénération que produit le traitement des dépendances à distance par des types d'ordre supérieur. À cet effet, nous étudions la possibilité d'étendre le système de typage des Grammaires Catégorielles Abstraites avec les constructions de la somme disjointe, du produit cartésien et du produit dépendant, permettant d'étiqueter les catégories syntaxiques par des structures de traits. Nous prouvons dans un premier temps que le calcul résultant de cette extension bénéficie des propriétés de confluence et de normalisation, permettant d'identifier les termes beta-équivalents dans le formalisme grammatical. Nous réduisons de plus le même problème pour la beta-eta-équivalence à un ensemble d'hypothèse de départ. Dans un second temps, nous montrons comment cette introduction de structures de traits peut être appliquée au contrôle des dépendances à distances, à travers les exemples des contraintes de cas, des îlots d'extraction pour les mouvements explicites et implicites, et des extractions interrogatives multiples, et nous discutons de la pertinence de placer ces contrôles sur les structures de dérivation.

International audience; OBJECTIVE(S) A preliminary step in microbial risk assessment in food is to gather and capitalize experimental data. Data capitalization is a crucial stake in an overall decision support system which consists of predicting microbial behavior [1]. In the framework of the French ANR project MAP'OPT (Equilibrium Gas Composition in Modified Atmosphere Packaging and Food Quality), the predictive modeling platform Sym'Previus (www.symprevius.org) should be able to propose a global approach to establish a scientifically sound method for choosing an appropriate modified atmosphere and associated packaging solution. Our work is part of this overall system and aims at extracting semi-automatically experimental data from unstructured scientific documents. Indeed, these documents use natural language combined with domain-specific terminology that is extremely time-consuming and tedious to extract in the free form of text and therefore to gather and capitalize. Our work relies on the MAP'OPT-Onto ontology [4], which has been built as an extension of the ontology used in Sym'Previus by adding concepts about food packaging, quantity concepts and concepts managing units of measures. Experimental data are often expressed with concepts (e.g packaging, permeability) or a numerical value often followed with its unit of measure (e.g. 258 amol m-1 s-1 Pa-1). In this paper, our work deals with unit recognition, known as a scientific challenge. METHOD(S) Extracting automatically quantitative data is a painstaking process because units suffer from different ways of writing within documents. We can encounter same units written in different manners such as amol m-1 s-1 Pa-1 written as amol.m-1 .s-1 .Pa-1 or as amol/m/s/Pa. We aim at focusing on the extraction and identification of these variant units seen as synonyms, in order to enrich iteratively an ontology, which represents a predefined vocabulary used to annotate, capitalize and query experimental data extracted from texts [2]. Our work addresses unit extraction and identification issues from texts to enrich an ontology in a two-step approach. First, we use text-mining methods and supervised learning approaches in order to predict relevant parts of the text where synonyms of units or new units are. The second step of our method consists in extracting specific strings representing units in the segments of texts found in the previous step. The extracted candidates are compared to units already present in the ontology using a new edit measure based on Damerau-Levenshtein [3]. RESULTS We have made experiments on 115 scientific documents (i.e. around 35 000 sentences) on food packaging. Each unit is recognized from a list of 211 units already defined in the MAP'OPT-Onto. Our learning algorithms predict that almost 5 000 sentences contain units. This prediction is correct for 95,5% of cases. In the second step, we have successfully extracted 38 terms as either synonyms or new units from sentences selected in the first step. So, we can propose 18% of enrichment of the pre-existing MAP'OPT-Onto.

Les systèmes statistiques de traduction automatique ont pour tâche la traduction d’une langue source vers une langue cible. Dans la plupart des systèmes de traduction de référence, l'unité de base considérée dans l'analyse textuelle est la forme telle qu’observée dans un texte. Une telle conception permet d’obtenir une bonne performance quand il s'agit de traduire entre deux langues morphologiquement pauvres. Toutefois, ceci n'est plus vrai lorsqu’il s’agit de traduire vers une langue morphologiquement riche (ou complexe). Le but de notre travail est de développer un système statistique de traduction automatique comme solution pour relever les défis soulevés par la complexité morphologique. Dans ce mémoire, nous examinons, dans un premier temps, un certain nombre de méthodes considérées comme des extensions aux systèmes de traduction traditionnels et nous évaluons leurs performances. Cette évaluation est faite par rapport aux systèmes à l’état de l’art (système de référence) et ceci dans des tâches de traduction anglais-inuktitut et anglais-finnois. Nous développons ensuite un nouvel algorithme de segmentation qui prend en compte les informations provenant de la paire de langues objet de la traduction. Cet algorithme de segmentation est ensuite intégré dans le modèle de traduction à base d’unités lexicales « Phrase-Based Models » pour former notre système de traduction à base de séquences de segments. Enfin, nous combinons le système obtenu avec des algorithmes de post-traitement pour obtenir un système de traduction complet. Les résultats des expériences réalisées dans ce mémoire montrent que le système de traduction à base de séquences de segments proposé permet d’obtenir des améliorations significatives au niveau de la qualité de la traduction en terme de le métrique d’évaluation BLEU (Papineni et al., 2002) et qui sert à évaluer. Plus particulièrement, notre approche de segmentation réussie à améliorer légèrement la qualité de la traduction par rapport au système de référence et une amélioration significative de la qualité de la traduction est observée par rapport aux techniques de prétraitement de base (baseline)., Statistical Machine Translation systems have been designed to translate text from a source language into a target one. In most of the benchmark translation systems, the basic unit considered in the textual analysis is the observed textual form of a word. While such a design provides good performance when it comes to translation between two morphologically poor languages, this is not the case when translating into or from a morphologically rich (or complex) language. The purpose of our work is to develop a Statistical Machine Translation (SMT) system as an alternative solution to the many challenges raised by morphological complexity. Our system has the potentials to capture the morphological diversity and hence, to produce efficient translation from a morphologically poor language to a rich one. Several methods have been designed to accomplish such a task. Pre-processing and Post-processing techniques have been built-in to these methods to allow for morphological information to improve translation quality. In this thesis, we first examine several methods of extending traditional SMT models and assess their power of producing better output by comparing them on English-Inuktitut and English-Finnish translation tasks. In a second step we develop a new morphologically aware segmentation algorithm that takes into account information coming from both languages to segment the morphologically rich language. This is done in order to enhance the quality of alignments and consequently the translation itself. This bilingual segmentation algorithm is then incorporated into the phrase-based translation model “PBM” to form our segmentation-based system. Finally we combine the segmentation-based system thus obtained with post-processing algorithms to procure our complete translation system. Our experiments show that the proposed segmentation-based system slightly outperforms the baseline translation system which doesn’t use any preprocessing techniques. It turns out also that our segmentation approach significantly surpasses the preprocessing baseline techniques used in this thesis.

With the advent and increasing popularity of Computer Supported Collaborative Learning (CSCL) and e-learning technologies, the need of automatic assessment and of teacher/tutor support for the two tightly intertwined activities of comprehension of reading materials and of collaboration among peers has grown significantly. Whereas a shallow or surface analysis is easily achievable, a deeper understanding of the discourse is required, extended by meta-cognitive information available from multiple sources as self-explanations. In this context, we use a polyphonic model of discourse derived from Bakhtin’s work as a paradigm for analyzing CSCL conversations, as well as cohesion graph building designed for creating an underlying discourse structure. This enables us to address both general texts and conversations and to incorporate comprehension and collaboration specific activities in a unique framework. As specificity of the analysis, in terms of individual learning we have focused on the identification of reading strategies and on providing a multi-dimensional textual complexity model integrating surface, word specific, morphology, syntax and semantic factors. Complementarily, the collaborative learning dimension is centered on the evaluation of participants’ involvement, as well as on collaboration assessment through the use of two computational models: a polyphonic model, defined in terms of voice inter-animation, and a specific social knowledge-building model, derived from the specially designed cohesion graph corroborated with a proposed utterance scoring mechanism. Our approach integrates advanced Natural Language Processing techniques and is focused on providing a qualitative estimation of the learning process. Therefore, two tightly coupled perspectives are taken into consideration: comprehension on one hand is centered on knowledge-building, self-explanations from which multiple reading strategies can be identified, whereas collaboration, on the other, can be seen as social involvement, ideas or voices generation, intertwining and inter-animation in a given context. Various cognitive validations for all our automated evaluation systems have been conducted and scenarios including the use of ReaderBench, our most advanced system, in different educational contexts have been built. One of the most important goals of our model is to enhance understanding as a “mediator of learning” by providing automated feedback to both learners and teachers or tutors. The main benefits are its flexibility, extensibility and nevertheless specificity for covering multiple stages, starting from reading classroom materials, to discussing on specific topics in a collaborative manner, and finishing the feedback loop by verbalizing metacognitive thoughts in order to obtain a clear perspective over one’s comprehension level and appropriate feedback about the collaborative learning processes., L’apprentissage collaboratif assisté par ordinateur et les technologies d’e-learning devenant de plus en plus populaires et intégrés dans des contextes éducatifs, le besoin se fait sentir de disposer d’outils d’évaluation automatique et d’aide aux enseignants ou tuteurs pour les deux activités, fortement couplées, de compréhension de textes et collaboration entre pairs. Bien qu’une analyse de surface de ces activités est aisément réalisable, une compréhension plus profonde et complète du discours en jeu est nécessaire, complétée par une analyse de l’information méta-cognitive disponible par diverses sources, comme par exemples les auto-explications des apprenants. Dans ce contexte, nous utilisons un modèle dialogique issu des travaux de Bakhtine pour analyser les conversations collaboratives, et une approche théorique visant à unifier les activités de compréhension et de collaboration dans un même cadre, utilisant la construction de graphes de cohésion. Plus spécifiquement, nous nous sommes centrés sur la dimension individuelle de l’apprentissage, analysée à partir de l’identification de stratégies de lecture et sur la mise au jour d’un modèle de la complexité textuelle intégrant des facteurs de surface, lexicaux, morphologiques, syntaxiques et sémantiques. En complément, la dimension collaborative de l’apprentissage est centrée sur l’évaluation de l’implication des participants, ainsi que sur l’évaluation de leur collaboration par deux modèles computationnels: un modèle polyphonique, défini comme l’inter-animation de voix selon de multiples perspectives, un modèle spécifique de construction sociale de connaissances, fondé sur le graphe de cohésion et un mécanisme d’évaluation des tours de parole. Notre approche met en œuvre des techniques avancées de traitement automatique de la langue et a pour but de formaliser une évaluation qualitative du processus d’apprentissage. Ainsi, deux perspectives fortement interreliées sont prises en considération : d’une part, la compréhension, centrée sur la construction de connaissances et les auto-explications à partir desquelles les stratégies de lecture sont identifiées ; d’autre part la collaboration, qui peut être définie comme l’implication sociale, la génération d’idées ou de voix en interanimation dans un contexte donné. Des validations cognitives de nos différents systèmes d’évaluation automatique ont été réalisées, et nous avons conçu des scénarios d’utilisation de ReaderBench, notre système le plus avancé, dans différents contextes d’enseignement. L’un des buts principaux de notre modèle est de favoriser la compréhension vue en tant que « médiatrice de l’apprentissage », en procurant des rétroactions automatiques aux apprenants et enseignants ou tuteurs. Leur avantage est triple: leur flexibilité, leur extensibilité et, cependant, leur spécificité, car ils couvrent de multiples étapes de l’activité d’apprentissage, de la lecture de matériel d’apprentissage à l’écriture de synthèses de cours en passant par la discussion collaborative de contenus de cours et la verbalisation métacognitive de jugements de compréhension, afin d’obtenir une perspective complète du niveau de compréhension et de générer des rétroactions appropriées sur le processus d’apprentissage collaboratif.

The changing of social habits creates every day new needs in the area of Natural Language Processing. Especially in the case of speech technologies, one of the major challenges is the analysis of non-lexicalized sounds, accompanied by specific gestures, premises of human language. These objects are referred to as speech micro-expressions in this study. In recognition, these objects provide an understanding of the socio-emotional attitudes of humans which are the heart of the new challenges of modern applications. If we already have some ideas to investigate acoustic aspects of these micro-expressions, visual analysis is another matter. It is interesting to see how new movements in fashion as synergologie can be used in a scientific research. The current study aims to understand these mechanisms and issues through an experiment of speech micro-expressions perception in a French-Japanese contrast.; L'évolution des habitudes sociales crée chaque jour de nouveaux besoins dans le domaine du Traitement Automatique de la Langue. Plus particulièrement dans le cas des technologies de la parole, l'un des enjeux majeurs est l'analyse des bruits non lexicalisés, accompagnés de gestes spécifiques, prémisses du langage humain. Ces objets sont désignés sous le terme de micro-expressions de la parole dans le cadre de cette étude. En reconnaissance, ces objets permettent de comprendre les attitudes socio-affectives de l'humain qui sont au cœur des nouveaux enjeux applicatifs actuels. Ainsi, si nous avons dors et déjà des pistes d'investigation sur les aspects acoustiques de ces micro-expressions, l'analyse visuelle en est une toute autre affaire. Il est alors intéressant de voir comment les nouveaux courants à la mode tels que la synergologie peut servir à une recherche scientifique. L'étude en cours vise à comprendre tous ces mécanismes et ces enjeux à travers une expérience de perception des micro-expressions de la parole en contraste français-japonais.

International audience

National audience; Le domaine de l’expertise gère différents types de documents sur lesquels des traitements sémantiques sont envisageables en réponse à des difficultés. Nous proposons quelques possibilités de traitement et leurs répercutions sur la mission de l’expertise.

International audience; This article presents applied research work that addresses a real need for improvement of the collection, indexing and retrieval of knowledge of cultural heritage. To facilitate the task of fieldwork and to improve the access to knowledge, we designed, prototyped and tested in a real environment a system for automating the cycle of collecting and storing information and knowledge for future processing. It contains several modules, allowing the knowledge acquisition cycle to be completed: registering artwork description using a voice interface, automatic 'translation' of the audio files to text files, linguistic analysis and extraction of information for the Inventory Descriptive System and, finally, automatic construction of a domain ontology according to a predefined conceptual model. This hybrid system combines the techniques of signal and natural language processing and of knowledge modelling. After introducing the process of the acquisition and management of information gathered in the field, we describe the nature of knowledge, the models used, the architecture and the various treatments performed by our system. Finally, we provide some perspectives on future development.

National audience; The automatic population of a termino-ontology is a difficult and challenging task. We propose a text-based ontology extension method that was experimented and evaluated on, for a semantic annota-tion task in the biomedical domain. It is based on the linguistic analysis of terms and their heads. The head-based method improves both the identification of rele-vant areas of a termino-ontology and the matching of the corpus terms within the-se areas.