Search

Alcohol consumption among university students has reached worrying levels, its effects on driving being highly dangerous. This aspect emphasizes the need to develop prevention programs, intended to raise subjects' awareness about the effects of alcohol on driving. The aim of the present research is to evaluate the effectiveness of the intervention program «Tú decides», implemented at the Algarve University during several students festivals, between 2010-2014.Quasi-experimental study, pre-post test without control group. A total of 5,079 participants were inquired. They were asked, at two different moments, before and after the measurement of the blood alcohol level and giving an information session with technical recommendations to prevent driving under alcohol effects. One factor ANOVA test used, in order to perform a mean comparison, as well as the Chi-square statistics, to perform a proportion comparison (p.05).It was found that the intention to drive was lower at the second moment (42.1%) (χ(2)=2078.71; p=.000). This intention was influenced by blood alcohol level different levels (χ(2)=338.252; p=.000), gender (χ(2)=35.718; p=.000), age (χ(2)=62.805; p=.000) and professional situation of the participants (χ(2)=27.397; p=.001).We can affirm that the main objective of this intervention was achieved, since the participants followed the technical recommendations based on the blood alcohol level results.

National audience; Dans cet article, nous proposons une approche pour construire une base de connaissances à partir de textes dans le domaine de la cosmétique. Il s’agit d’un cas particulier pour un domaine fixé du problème de l’extraction de relations à partir de textes. Dans le but de résoudre ce problème, nous proposons une approche semi-supervisée pour l’extraction des relations en combinant deux méthodes : (i) la construction de patrons d’extraction à partir des résumés présents dans les pages de DBpedia, (ii) l’annotation manuelle d’un ensemble de textes pour définir des patrons syntaxiques pour extraire les relations. Nous avons évalué notre approche sur deux types de corpus : (i) un premier corpus est composé d’articles de journaux spécialisés, tels que au féminin. com et Cosmétique Hebdo, (ii) un deuxième corpus est constitué d’un ensemble de phrases collectées sur sur le Web. L’évaluation présentée dans cet article combine les résultats des trois méthodes.

National audience

National audience

International audience

A finalised digital resource of 88,000 anonymised French text messages, the 88milSMS corpus, two extracts (1,000 SMS transcoded into standardised French and 100 linguistically annotated SMS) and sociolinguistic questionnaire data were released in June 2014 for all to download via a user free-of-charge licence agreement, from the Huma-Num web service (http://88milsms.huma-num.fr, Panckhurst et al., 2014). The sud4science project (http://sud4science.org, Panckhurst et al. 2013), enabling authentic text message collection from the general public by a group of academics, is part of a vast international initiative (http://www.sms4science.org/, Fairon et al. 2006, Cougnon and Fairon, 2014, Cougnon 2015), to build a worldwide database and analyse authentic text messages in different languages. We decided to exclude full transcoding and annotation tagging in the final corpus. This is a theoretical position, since annotation is far from neutral, and is invariably linked to an interpretative framework. Owing to varying theoretical disciplinary and scientific stances, it seems that a true consensus on how to standardise the transcoding and linguistic annotation tagging does not exist (Panckhurst, 2015). Other researchers may disagree and prefer to provide both 'raw' and fully tagged corpora (Chanier et al. 2014). This theoretical position does not exclude exploring Natural Language Processing (NLP) investigation techniques, which could then be implemented in real-life applications. Examples of investigation techniques are indicated as follows: 1) Our corpus can be used to analyse current mediated electronic discourse, and help build knowledge on different SMS writing forms (Roche et al. 2015). 2) Algorithms may be used to learn from this: alignment methods for facilitating automatic transcoding have been explored (Aw et al. 2006, Beaufort et al., 2008, Guimier de Neef and Fessard, 2007, Kobus et al, 2008, Lopez et al, 2014). 3) We have devised a method for classifying 'unknown' items within text messages, which may help to automatically identify lexical 'creativity' within 88milSMS and improve electronic dictionary approaches (Lopez et al. 2015). In order to refine automatic normalisation techniques for initially non-standard texts in French, the next logical step is to compare our resource with different types of instant media (i.e. SMS, forums, tweets). Firstly, a new typology of the detected 'mistakes', based on existing typologies, will be elaborated. Secondly, automatic normalisation techniques — focusing on the most frequent errors — will be proposed. These will then be confronted with traditional automatic translation (Vilariño et al., 2012), speech recognition (Kobus et al., 2008) and spelling/grammatical checker principles (Beaufort et al., 2010). Finally, the approach should enable comparison between different types of instant media.

International audience; Depuis 2014, le corpus 88milSMS est disponible en téléchargement public (Panckhurst et al., 2014, http://88milsms.huma-num.fr/). Contenant plus de 88 000 SMS authentiques en français recueillis dans le cadre du projet sud4scienceLR (http://www.sud4science.org/), ce corpus anonymisé permet aux chercheurs d’analyser, en employant ou non des techniques de traitement automatique des langues (TAL), l’évolution de l’une des facettes de la langue française, l’écriture SMS (eSMS).Dans cet article, nous laisserons de côté la néologie dans sa dimension de créativité lexicale — dérivation, les mots-valises (cinglicité), les emprunts (now, wesh), l’écriture non intentionnée, correspondant souvent à des erreurs de saisie (tladucteur), ou l’écriture incluant des caractères spéciaux, des chiffres (resto+cine, Ar5gggggggh), (Détrie 2015), pour aborder plus spécifiquement la néographie, ou la créativité scripturale, bien que les frontières entre néologie (« une réalité difficile à cerner » selon Pruvost/Sablayrolles, 2012) et néographie soient parfois ténues (Cougnon 2015). Comme Anis (1998), nous désignons par néographie des variantes de graphie qui s’éloignent de la langue standardisée, souvent de manière délibérée, ludique, et qui sont très présentes et instables dans l’eSMS. Dans des travaux préliminaires, nous avons rencontré, entre autres, des phénomènes néographiques de substitution (o/eau, ossi/aussi, kikou/coucou, twa/toi), d’ajout (répétition de caractères/signes de ponctuation : booooooooof/bof, j’arrriiiiiiivvve !!!!!, ajouts de caractères : les zamours, représentations sémiologiques/frimousses/emoji,:), ^^,J), de suppression (signes diacritiques: europeen/européen, ponctuation), et de réduction, (abrègements morpho-lexicaux: mdr/mort de rire, apocopes : ordi/ordinateur, aphérèses : zou/bisou, suppression de consonnes doubles : ele/elle, fins de mots effacées : tro/trop, agglutinations : tetrangle, squelettes consonantiques : slt/salut, abréviations : qd/quand, abréviations sémantisées : f=fais/fera(i)s/faisais : tu f koi ?).Nous confronterons notre typologie, § 1 (Panckhurst 2009, Panckhurst et al. 2013), au corpus 88milSMS à partir d’un fichier généré informatiquement (Lopez/Roche/Panckhurst 2015), après exclusion des mots apparaissant au sein du Lexique Électronique des Formes Fléchies du Français (LEFFF, (Sagot 2010)). Il s’agit de mieux comprendre quelles sont les pratiques scripturales de l’eSMS qui sont les plus redondantes au sein de 88milSMS. Outre une étude statistique § 2, nous focaliserons cette communication sur les lettres uniques qui renvoient à un mot (« tu f koi ? »), en étudiant dans quelle mesure un même scripteur varie ses pratiques, et en corrélant les usages aux caractéristiques sociologiques indiquées dans le questionnaire annexé à la collecte § 3.

This article highlights an approach based on authentic data, by focusing on recent research related to collection, processing and analysis of a large French text-message corpus, entitled 88milSMS (http://88milsms.huma-num.fr/, Panckhurst, Détrie, Lopez, Moïse, Roche, Verine, 2014), including a sociolinguistic questionnaire submitted to donors (with their answers). The authors, using a pluridisciplinary approach (linguistics/ language sciences, computer science, Natural Language Processing), explain why they chose to give the scientific community and the general public access to the SMS corpus., Nous présentons notre approche fondée sur les données authentiques, en nous concentrant sur des recherches récentes, portant sur le recueil, le traitement et l’analyse d’un grand corpus de SMS en français, intitulé 88milSMS (http://88milsms. huma-num.fr/, Panckhurst, Détrie, Lopez, Moïse, Roche, Verine, 2014), incluant un questionnaire sociolinguistique soumis aux donateurs au moment de la collecte ainsi que leurs réponses. Puis nous expliquons pourquoi, dans une démarche pluridisciplinaire (située entre sciences du langage, informatique et traitement automatique du langage naturel), nous avons décidé de fournir à la communauté scientifique et au grand public le corpus de SMS., Panckhurst Rachel, Roche Mathieu, Lopez Cédric, Verine Bertrand, Détrie Catherine, Moïse Claudine. De la collecte à l’analyse d’un corpus de SMS authentiques : une démarche pluridisciplinaire. In: Histoire Épistémologie Langage, tome 38, fascicule 2, 2016. Constitution de corpus linguistiques et pérennisation des données. pp. 73-85.

International audience; « Dites-le en français » ! Le 16 mars 2015, le CSA a réalisé une campagne de trois vidéos. Des chercheurs (linguistes et informaticiens), tous membres du projet équipe sud4science sur les SMS, s'insurgent contre leur contenu qui dévalorise l'écriture SMS.

International audience; The sud4science LR project (http://www.sud4science.org/) aimed at studying a fairly recent form of written communication: SMS (Short Message Service). The first step of the project was to collect a large number of text messages from the general public. We initially gathered 93'085 SMS and our final corpus, entitled 88milSMS, contains over 88'000 SMS.2 In this article, we propose a novel approach(which is also applicable to other textual data)for classifying unknown items in 88milSMS, based on two steps: 1) Classification of SMS in relation to 5 European languages (French, Spanish, English, German, Italian), 2) Classification of unknown items according to predefined classes (schedules, items containing special character(s), number(s), words without accents, or with repeated characters, etc.). We are then able to make a distinction between the truly "original" items which are widely used compared to those that are rarely used in the corpus. Based on examples mined in the different classes, we present a preliminary analysis of the obtained resource.

International audience; This article presents the system Seek&Hide, a text message processing tool developed for the sud4science LR (http://www.sud4science.org/) project. It performs the anonymisation/de-iden- ti cation of a corpus. At present, it has been used to anonymise the sud4science LR corpus of French text messages collected during the project. is is done in two phases. In the rst phase, it automatically processes over 70% of the corpus. e rest of the corpus is processed in the second phase, aided by an expert annotator via a web interface speci cally designed to simplify the task.

L’objectif du projet « Pratiques contemporaines de la textualité numérique : observation, description et analyse d’un grand corpus de SMS » est d’effectuer des recherches pluridisciplinaires sur un corpus de 88 683 SMS authentiques épurés en langue française, recueillis en 2011, dans le cadre du programme sud4science Languedoc-Roussillon. Mutation des pratiques scripturales en communication électronique médiée (http://www.sud4science.org), lui-même s’insérant dans un vaste projet international intitulé sms4science (http://www.sms4science.org, Fairon, et al., 2006). D’une part, nous cherchons, grâce à une approche pluridisciplinaire, à modéliser les usages linguistiques et discursifs propres aux SMS, et à les mettre en relation avec les contraintes et les fonctionnalités numériques spécifiques de ce support. Cette analyse nous permettra notamment de mettre à jour des pratiques – scripturales et langagières – générationnelles, groupales, socioculturelles, affectives, etc. Nous montrerons, entre autres, les spécificités énonciatives, morphosyntaxiques, lexicales, sémantiques et pragmatiques de l’écriture SMS (eSMS, Panckhurst 2009). D’autre part, notre objectif est de mettre à la disposition de la communauté scientifique, et plus largement, de tous ceux qui sont intéressés par les mutations sociales, comme les responsables des politiques publiques en matière d’éducation et d’intégration sociale, un corpus organisé en une base de données directement consultable. Dans ce but, le corpus de SMS « bruts » doit obligatoirement être anonymisé, comme suit :SMS brut :Coco est pas la ! Éva non plus ! Tanpis ! Lol J'irai aux journée du patrimoine ! Éva m'a dit que tu venais cette semaine peut etre ! Bisous ! !SMS anonymisé : est pas la ! non plus ! Tanpis ! Lol J'irai aux journée du patrimoine ! m'a dit que tu venais cette semaine peut etre ! Bisous ! !Du SMS « brut » au SMS anonymisé. (Les chiffres renvoient au nombre de caractères du prénom dans le SMS brut.)Onze étiquettes sont utilisées pour cette phase : Prénom (PRE), Nom (NOM), Surnom (SUR), Adresse (ADR), Lieu (LIE), Numéro de téléphone (TEL), Code (COD), URL (URL), Marque (MAR), Courriel (MEL), Autre. Par la suite, le corpus pourra également être partiellement transcodé en français « standardisé ». Le transcodage est utile pour le grand public, ou pour ceux qui veulent lire et comparer rapidement les SMS bruts et transcodés :SMS transcodé : est pas là ! non plus ! Tant pis ! Lol. J'irai aux journées du patrimoine ! m'a dit que tu venais cette semaine peut-être ! Bisous ! !Un exemple de SMS transcodéEnfin, une phase d’annotation optionnelle prévoit l’utilisation de huit étiquettes : ABSence, BINettes, DIVers, GRAmmaire, LANgage, MODification, ORThographe, TYPographie. Quatre de ces étiquettes sont utilisées dans le tableau ci-dessous (un double étiquetage peut être employé en cas d’ambiguïté). De cette manière, des chercheurs, des enseignants, des personnes travaillant dans des secteurs socioculturels divers, etc. pourront effectuer des fouilles ultérieures (semi-) automatisées afin de recueillir de l’information pertinente relative à leurs spécialités :SMS annoté : est pas là ! non plus ! Tant pis ! Lol . J'irai aux journées du patrimoine ! m'a dit que tu venais cette semaine peut-être ! Bisous ! !Un exemple de SMS annoté (étiquettes indiquées en gras)Nous présentons les étapes suivantes dans la synthèse de notre recherche : acquisition préliminaire des données dans le cadre du projet sud4science LR, anonymisation, transcodage, analyses (socio)linguistiques, et traitement ultérieur et diffusion du corpus.

International audience; This paper presents two anonymisation methods to process an SMS corpus. The first one is based on an unsupervised approach called Seek&Hide. The implemented system uses several dictionaries and rules in order to predict if a SMS needs anonymisation process. The second method is based on a supervised approach using machine learning techniques. We evaluate the two approaches and we propose a way to use them together. Only when the two methods do not agree on their prediction, will the SMS be checked by a human expert. This greatly reduces the cost of anonymising the corpus.

September 2-6, 2013; International audience; In Human Computer Interaction, it is more and more clear that usability is not enough. In order to take into account the other criteria that may be relevant for design, G. Cockton introduced the notion of "worth" and the Worth Centered Design (WCD) framework for its operationalization. The WCD framework structures the development process and provides designers with a set of tools, including Worth Maps (WMs). Worth maps connect systems attributes to human ones, and as such represent a promising tool. However, they remain understudied and under-experimented. This paper presents the results of our experience with WMs. More precisely, it proposes the PEW (Perceived and Expected Worth) framework for worth mapping, reports findings from a study conducted with 5 experts regarding many aspects of WMs, and discusses future directions for research. Keywords: Interactive systems design, worth, Worth Maps (WMs).

International audience; Although many new methodological and modelling concepts have been proposed by the scientific community, current industries are still focusing their engineering design process on CAD model since they assume it is the starting point of many analyses with respect to product life cycle (CAM, FEA, LCA…). The paper presents the application of modelling concepts that lead the progressive justification of CAD model with respect to knowledge synthesis by least commitment. Design experts are first formalizing their knowledge that is therefore translated to form features and parameters (topology, position, orientation, dimensions…). The results show that this new design approach and models support design intents and rational, but the generated CAD model is not fully justified. That drives to many conclusions: CAD model is many often non-100% rational by designers’ knowledge, design solution space is therefore larger than the one modelled in CAD software and could be used to foster innovation.

International audience; There has been increasing interest in the artificial intelligence community for influencer detection in recent years for its utility in singling out pertinent users within a large network of social media users. This could be useful, for example in commercial campaigns, to promote a product or a brand to a relevant target set of users. This task is performed either by analysing the graph-based representation of user interactions in a social network or by measuring the impact of the linguistic content of user messages in online discussions. We performed independent studies for each of these methods in the present paper with a hybridisation perspective. In the first study, we extract structural information to highlight influence among interaction networks. In the second, we identify linguistic features of influential behaviours. We then compute a score of user influence using centrality measures with the structural information for the former and a machine learning approach based on the relevant linguistic features for the latter.

International audience; Dans une base de connaissance, les entités se veulent pérennes mais certains événements induisent que les relations entre ces entités sont instables. C'est notamment le cas pour des relations entre organisations, produits, ou marques, entités qui peuvent être rachetées. Dans cet article, nous proposons une approche permettant d'extraire des relations d'appartenance entre deux entités afin de peu-pler une base de connaissance. L'extraction des relations à partir d'une source dynamique d'informations telle que Twitter permet d'atteindre cet objectif en temps réel. L'approche consiste à modéliser les événements en s'appuyant sur une ressource lexico-sémantique. Une fois les entités liées au Web des données ouvertes (en particulier DBpedia), des règles linguistiques sont appliquées pour finalement générer les triplets RDF qui représentent les événements.

On dénombre aujourd’hui 3,77 milliards d’internautes dans le monde, soit 50% de la population mondiale et 2,79 milliards d’individus inscrits sur les réseaux sociaux, soit 37% de la population mondiale. D’où l’essor, du marketing digital qui peut se définir comme l’atteinte d’objectifs propres au marketing traditionnel par le biais des technologies numériques, tout en cherchant à établir une relation plus poussée et personnalisée avec le client (Chaffey et Ellis-Chadwick, 2012). Cependant, on peut se demander si les techniques issues du marketing digital peuvent être appliquées dans tous les domaines, sans condition et de manière uniforme ? Notre réflexion s’articulera donc autour de la question suivante : En quoi les stratégies et outils de marketing digital permettent de générer des leads qualifiés dans un domaine aussi spécifique que la microfluidique ? Pour répondre au mieux à cette interrogation, nous allons tout d’abord définir le processus de génération de leads grâce aux outils de marketing digital puis, dans un second temps, nous identifierons et analyserons les actions de marketing digitales mises en place pour la gestion et l’animation de Makefluidics.com.

National audience; Dans un contexte de veille stratégique, nous avons développé un prototype prenant la forme d'un plugin de navigateur ayant pour principale ambition d'enrichir les connaissances des utilisateurs naviguant sur le Web. Au fur et à mesure de la navigation sur le Web, le système peuple la base de connaissance et tisse des liens avec le Web des données ouvertes que l'utilisateur peut parcourir. Ce prototype s'appuie et démontre en pratique des techniques d'extraction d'entités d'intérêts et de leurs relations dans une page Web couplées à une représentation des connaissances extraites au format du web sémantique et liées avec des données du Linked Open Data. Finalement le plugin propose une visualisation en temps réel de l'ensemble de ces données liées en regard des pages consultées.

Introduction The electronic health record (EHR) is a very important potential source of data for various areas, such as medical decision support tools, evidence-based medicine or epidemiological surveillance. Much of this data is available in text format. Methods of natural language processing can be used to perform data mining and facilitate interpretation. The purpose of this project was to develop a generic semantic solution for extracting and structuring medical data for epidemiological analyses or for medical decision-support. The solution was developed with the objective of making it as independent as possible from the field of medical application in order to allow any new user to write his or her own expert rules regardless of their area of medical expertise. Material and methods SYNODOS offers a modular architecture that makes a clear distinction between the linguistic rules and the medical expert rules. Different modules have been developed or adapted for this purpose: an interface between the multi-terminology server and semantic analyzer during the extraction phase, linguistic rules to extract temporal expressions, expert rules adapted to two areas of application (nosocomial infections, cancer), an interface between the engine and the linguistic knowledge base. Results Modular integrations were performed consecutively. The multi-terminology extractor and semantic analyzer were first interfaced during the extraction phase. Output of this data processing was then integrated into a knowledge base. A user interface to access documents and write business rules was developed. Expert rules for the detection of nosocomial infections and for the evaluation of colon cancer management have been developed. It was necessary to develop an additional module the need for which had not been identified during the drafting of the protocol. This module aims to structure the output of the data processing described above, according to the patient's care pathway. This module is based on the writing of medical expert rules. Evaluation indicators were obtained at different stages of the process (terminology extraction, semantic relations, data structuring, detection of events of interest). Discussion This project helped to highlight the value of combining different technologies (natural language processing, terminology, expert systems integration) to allow for the use of unstructured data in epidemiology. However, the need to develop an additional module of expert rules did not allow a complete and operational solution. Furthermore the multi-terminology extractor (ECMT V2) response time is too long (6 min per report). A change in technology was envisaged at the end of the project to reduce this time. Conclusions The originality of the SYNODOS project is the development of a single solution that integrates different technologies needed for the production of epidemiological indicators in the context of hospital activity. The project results confirm the interest but certain technological obstacles concerning the processing time need to be resolved in order to render the solution operational in a hospital environment.

This article presents the system Seek&Hide, a text message processing tool developed for the sud4science LR (http://www.sud4science.org/) project. It performs the anonymisation/de-identification of a corpus. At present, it has been used to anonymise the sud4science LR corpus of French text messages collected during the project. This is done in two phases. In the first phase, it automatically processes over 70% of the corpus. The rest of the corpus is processed in the second phase, aided by an expert annotator via a web interface specifically designed to simplify the task.

International audience; In the context of large-scale problems, traditional multiclass classification approaches have to deal with class imbalancement and complexity issues which make them inoperative in some extreme cases. In this paper we study a transformation that reduces the initial multiclass classification of examples into a binary classification of pairs of examples and classes. We present generalization error bounds that exhibit the interdependency between the pairs of examples and which recover known results on binary classification with i.i.d. data. We show the efficiency of the deduced algorithm compared to state-of-the-art multiclass classification strategies on two large-scale document collections especially in the interesting case where the number of classes becomes very large.

International audience; Hyper-parameter tuning is a resource-intensive task when optimizing classification models. The commonly used k-fold cross validation can become intractable in large scale settings when a classifier has to learn billions of parameters. At the same time, in real-world, one often encounters multi-class classification scenarios with only a few labeled examples; model selection approaches often offer little improvement in such cases and the default values of learners are used. We propose bounds for classification on accuracy and macro measures (precision, recall, F1) that motivate efficient schemes for model selection and can benefit from the existence of unlabeled data. We demonstrate the advantages of those schemes by comparing them with k-fold cross validation and hold-out estimation in the setting of large scale classification.

International audience; In this paper we propose a simple yet effective method for sparsifying a posteriori linear models for large-scale text classification. The objective is to maintain high performance while reducing the prediction time by producing very sparse models. This is especially important in real-case scenarios where one deploys predictive models in several machines across the network and constraints apply on the prediction time. We empirically evaluate the proposed approach in a large collection of documents from the Large-Scale Hierarchical Text Classification Challenge. The comparison with a feature selection method and LASSO regularization shows that we achieve to obtain a sparse representation improving in the same time the classification performance.

International audience; In 2011, 6 academics gathered over 90,000 authentic text messages in French from the general public, in compliance with French law. The SMS ‘donors’ were also invited to fill out a sociolinguistic questionnaire (http://sud4science.org, Panckhurst et al., 2013). The project is part of a vast international initiative, entitled sms4science (http://www.sms4science.org/, Fairon et al. 2006, Cougnon & Fairon, 2014, Cougnon 2015) which aims to build a worldwide database and analyse authentic text messages. After the sud4science SMS data collection, a pre-processing phase of checking and eliminating any spurious information and a three-step semi-automatic anonymisation phase were conducted (Accorsi et al. 2014, Patel et al., 2013). Two extracts were transcoded into standardised French (1,000 SMS) and annotated (100 SMS). The finalised digital resource of 88,000 anonymised French text messages, the ‘88milSMS’ corpus, the extracts, and the sociolinguistic questionnaire data are currently available for all to download, via a user free-of-charge licence agreement, from the Huma-Num web service, (http://88milsms.huma-num.fr, Panckhurst et al., 2014). Why decide to exclude full transcoding and annotation tagging phases? Transcoding ‘raw’ text messages into ‘standardised’ French means morpho-syntactic parsers and other natural language processing tools can ultimately analyse them. Checking spelling and grammar facilitates comprehension, but no supplementary information should be ‘injected’. What if a texter tries to simulate a certain form of oral French, for instance, by using an apostrophe, or through agglutination (‘j’sais’=‘je sais’, ‘chuis’=‘je suis’)? Should these items be transcoded or not? What about punctuation, often absent in text messages? Should one re-introduce this systematically? Researchers may have differing theoretical viewpoints. Another issue is tagging the corpus. After much scientific debate about previous experiences with other sms4science members, 8 tags were chosen for ‘88milSMS’: TYP(ography), MOD(ificiation), GRA(mmar), BIN(ettes, smileys/emojis), ABS(ence), LAN(guage), ORT(hography, spelling), DIV(erse). Like the previous transcoding phase, annotation is a source of theoretical disagreement. To highlight this, it may be difficult to decide which tag to use and double tagging may be necessary: Bone journé. The ‘scriptor’ may have voluntarily modified the two words (‘Bonne journée’ have a nice day) or may have lacked spelling knowledge. So should ‘MOD’ and/or ‘ORT’ be used? In another example: ‘Il es rentrer a 22h30 et jai eu ldroii au : jsui fatiguer, jai mal a la tete jvai me coucher.’ (He came home at 10.30pm and I got to hear: I’m tired, I have a headache, I’m going to bed), ‘rentrer’ (‘Il est rentré’) could be either a gramatical mistake (GRA), or the scriptor may have preferred using an ‘r’ (MOD) instead of pressing the ‘e’ to access the acute accent (on a smartphone). It is extremely difficult to provide satisfactory standardised tagging. We decided to limit the processing to two extracts. Our (rare) choice to exclude full transcoding and tagging is a theoretical position: annotation is far from neutral. It is directly linked to an interpretative framework. A true consensus on how to standardise the transcoding and annotation does not exist, owing to differing/varying theoretical, (pluri)disciplinary and scientific stances. We believe that no additional mark-up initiatives should be imposed upon researchers ; it seems more relevant to let them conduct their own annotation bearing their specific scientific questioning in mind, without being trapped within a unique theoretical framework. The ‘88milSMS’ resource will provide inspiration for many years to come. Our corpus can be used to analyse contemporary mediated electronic discourse, build knowledge on SMS writing forms (Panckhurst 2009), and let algorithms learn from this: alignment methods for facilitating automatic transcoding are currently being explored (Lopez et al. 2014), as are methods for classifying ‘unknown’ items for use in automatically identifying lexical ‘creativity’ within ‘88milSMS’ and also to improve electronic dictionary approaches. The resource also sheds light on ‘corpus-driven’ and ‘corpus-based’ approaches (Panckhurst 2013, Panckhurst et al. 2015). Xml encoding means that the resource will be eligible for long-term archiving with the CINES (https://www.cines.fr/). Perhaps, in the future, people will look back and explore these ‘snapshot’ resources and understand more about the evolution of scriptural practices and usages in the 21st century.

National audience; Qu’est-ce que la donnée écrite en sciences du langage ? Trois types se distinguent : 1) la donnée lexicale, qui se présente essentiellement sous forme d’une entrée lexicale, regroupant un ensemble de propriétés ; 2) » le nom spécifique de la donnée observable en linguistique est l’exemple » et renvoie à « un énoncé qui pourrait être effectivement prononcé, même s’il ne l’est pas dans les faits » (Milner 1989, p. 51-52) ; 3) la donnée en tant que texte brut, i.e. le corpus. En linguistique(s) de corpus, il s’agit d’analyser les productions authentiques contenues dans le corpus. Dans certaines écoles linguistiques, au contraire, l’étude du corpus tout-venant n’a pas lieu d’être. Ainsi, perdure le débat concernant l’opposition (ou, tout au moins, la différenciation) entre exemples linguistiques (éventuellement « fabriqués ») et productions authentiques relevées dans des corpus (cf. entre autres, pour le français, Bilger et al. 2000, Cori et al. 2008, Habert et al.1997, Péry-Woodley 1995). En vingt ans, notre propre approche a évolué : d’une analyse linguistique-informatique basée sur l’exemple (Panckhurst 1994, p. 39), nous sommes passée à une analyse de la donnée authentique figurant dans des corpus (Panckhurst 2013, p. 97, Panckhurst et al. 2014). Pour nous, cette mutation s’explique, d’une part, par l’évolution de l’accès aux données, et, d’autre part, par le discours électronique médié (Panckhurst 1997, 2006), circulant entre individus se servant d’outils électroniques (ordinateurs, tablettes, téléphones portables, etc.), qui induit des pratiques et des usages émergents. En deux décennies, la constitution de corpus numérisés ou nativement numériques est devenue monnaie courante, et cette accessibilité massive constitue en soi une nouveauté. Les données authentiques existant sous la forme de courriels, forums, chats, blogs, réseaux sociaux, et, plus récemment de SMS, facilement exploitables par les chercheurs, permettent l’observation, la fouille et l’analyse des pratiques et des usages (novateurs ou non) des scripteurs. Dans le cadre de cette communication, nous expliquerons ce cheminement, en nous focalisant sur des recherches récentes, portant sur le recueil, le traitement et l’analyse d’un grand corpus de SMS en français, intitulé « 88milSMS » (consultable sur la grille de services d’Huma-Num : http://88milsms.huma-num.fr/).

International audience; Nous décrivons le problème de la segmentation de courriels représen-tant des conversations, c'est-à-dire contenant des courriels cités. Nous présen-tons un outil, SegDoc, conçu pour segmenter de telles conversations en courriels individuels, puis en extraire les phrases. La méthode consiste à repérer les en-têtes générés par les outils de messagerie, qui marquent les frontières entre les messages. Nous décrivons les difficultés liées au repérage de ces en-têtes, dont la forme et les langues présentent une variété considérable. Une solution fon-dée sur des heuristiques indépendantes de la langue est proposée et évaluée. La tâche de segmentation en phrases est également décrite et évaluée. SegDoc pro-duit une sortie XML contenant la conversation ainsi segmentée et préparée pour des traitements automatiques subséquents.

International audience; In this paper, we propose a method for aligning text messages (entitled AlignSMS) in order to automatically build an SMS dictionary. An extract of 100 text messages from the 88milSMS corpus (Panckhurst el al., 2013, 2014) was used as an initial test. More than 90,000 authentic text messages in French were collected from the general public by a group of academics in the south of France in the context of the sud4science project (http://www.sud4science.org). This project is itself part of a vast international SMS data collection project, entitled sms4science (http://www.sms4science.org, Fairon et al. 2006, Cougnon, 2014). After corpus collation, pre-processing and anonymisation (Accorsi et al., 2012, Patel et al., 2013), we discuss how "raw" anonymised text messages can be transcoded into normalised text messages, using a statistical alignment method. The future objective is to set up a hybrid (symbolic/statistic) approach based on both grammar rules and our statistical AlignSMS method.

International audience; A great deal of research on opinion mining and sentiment analysis has been done in specific contexts such as movie reviews, commercial evaluations, campaign speeches, etc. In this paper, we raise the issue of how appropriate these methods are for documents related to land-use planning. After highlighting limitations of existing proposals and discussing issues related to textual data, we present the method called Opiland (OPinion mIning from LAND-use planning documents) designed to semi-automatically mine opinions in specialized contexts. Experiments are conducted on a land-use planning dataset, and on three datasets related to others areas highlighting the relevance of our proposal.

In the literature, automatic summarization and automatic titling tasks are often merged. It seems that a short summary can be considered as a relevant title. But can we compare a title and a summary without having previously studied their criteria? This study aims at positioning the emergent task of automatic titling with regard to automatic summarization task. In this paper, we define a set of criteria according to the summary and to the title, and we analyze the results obtained with our method of automatic classification. This analysis enables to report real objectives of both tasks and to validate their relevance. Dans la littérature, les tâches de résumé et de titrage automatique sont souvent confondues. A priori, il semble qu’un résumé de quelques mots peut constituer un titre tout à fait pertinent. Mais peut-on comparer un titre et un résumé sans auparavant en avoir étudié leurs critères ? Cette étude a pour but de positionner l’émergente tâche de titrage automatique par rapport à celle de résumé automatique. Après avoir défini les critères attachés au résumé et au titre, nous analysons les résultats obtenus via notre méthode automatique de classification, permettant de rendre compte des objectifs réels des deux tâches et de valider leur pertinence.

National audience; En 2011, à Montpellier, un groupe de six universitaires linguistes et informaticiens (Rachel Panckhurst, Catherine Détrie, Cédric Lopez, Claudine Moïse, Mathieu Roche et Bertrand Verine) a décidé d'effectuer un recueil de SMS authentiques, en français, auprès du grand public, dans le respect des règles juridiques en vigueur. La collecte, qui a duré trois mois, s'est déroulée dans le cadre d'un projet intitulé sud4science LR (www.sud4science.org) et a permis de recueillir plus de 90 000 SMS (Panckhurst et al., 2013; Panckhurst, 2013; Panckhurst & Moïse, 2014). Après un travail très important de vérification, d'épuration et d'anonymisation des données par 8 stagiaires étudiants (à partir de soutiens de la MSH-M [Maison des Sciences de l'Homme de Montpellier], de la DGLFLF [Délégation générale à la langue française et aux langues de France] et du CNRS [PEPS ECOMESS, HuMaIn]), sur une période conséquente de 21 mois, les quelque 88 000 SMS restants ont été organisés en un corpus, intitulé 88milSMS. Depuis fin juin 2014, notre corpus est disponible sur la grille de services d'Huma-Num : http://88milsms.huma-num.fr/ (Panckhurst et al. 2014a, 2014b). Notre projet fait partie d'un grand projet international lancé en Belgique en 2004, sms4science, (www.sms4science.org, Fairon et al., 2006 ; Cougnon, 2014 ; Cougnon et Fairon, éd. 2014), qui avait un triple objectif : recueillir, organiser et analyser des SMS authentiques.

International audience; Automatic titling of text documents is an essential task for several applications (automatic heading of e-mails, summarization, and so forth). This paper describes a system facilitating information retrieval in a set of textual documents by tackling the automatic titling and subtitling issue. Automatic titling here involves providing both informative and catchy titles. We thus propose two different approaches based on NLP, text mining, and Web Mining techniques. The first one (POSTIT) consists of extracting relevant noun phrases from texts as candidate titles. An original approach combining statistical criteria and noun phrase positions in the text helps in collecting informative titles and subtitles. The second approach (NOMIT) is based on various assumptions made on POSTIT and aims to generate both informative and catchy titles. Both approaches are applied to a corpus of news articles, then evaluated according to two criteria, i.e. informativeness and catchiness.

This article describes the sud4science project (www.sud4science.org). Firstly, the authors present the acquisition phase of both SMS data and questionnaire data. Secondly, they explain anonymisation techniques, transcoding and optional annotation phases. Finally, they propose preliminary (socio-) linguistic analyses of scriptural usage of SMS writing, and they also indicate those that are planned in the foreseeable future., Dans le cadre de cet article, on expose le déroulement du projet sud4science (www.sud4science.org). En premier lieu, on décrit la phase d'acquisition des données en provenance des SMS et du questionnaire, avant d'aborder les étapes successives d'anonymisation, de transcodage et d'annotation optionnelle. Ensuite, on présente les analyses (socio-)linguistiques des pratiques scripturales de l'écriture SMS (eSMS) qui ont débuté, ainsi que celles prévues à court et à moyen terme.

International audience

National audience; De nombreuses recherches ont depuis longtemps motivé l'utilisation d'ontologies pour répondre aux besoins de représentation du e-Commerce. Dans cet article, nous présentons ProVoc (Product Vocabulary), une ontologie ayant pour objectif de décrire des produits sur le Web. Complémentaire à GoodRelations (Hepp, 2008), l'ontologie au format du Web sémantique la plus utilisée dans le monde du e-Commerce, Provoc se concentre sur une représentation fine des produits et de leurs entités relatives (gammes des produits, composition des produits, etc.). L'utilisation conjointe des deux ontologies permet d'élargir l'espace des requêtes de l'utilisateur. Par exemple : « Quels sont les produits qui contiennent des ingrédients néfastes pour la santé ? Qui les vend ? ». Nous montrons par le biais de requêtes SPARQL que nos scénarios trouvent une formulation adéquate et une représentation pertinente avec ProVoc. Enfin, une application de veille stratégique dans le domaine de la cosmétique est présentée.