Le projet propos a pour but, partir de donnes textuelles disponibles ...

Daube

Description

• redaction - matière potentielle : drafting

PROJET DIT « MULTILINGUE » Le projet proposé a pour but, à partir de données textuelles disponibles sur la toile, de produire des ressources linguistiques structurées. Ces dernières peuvent avoir une finalité lexicologique (voir pour un exemple de lexique français-arabe des Relations Internationales), en particulier pour des couples de langues français+une langue enseignée à l'INALCO. Mais on peut envisager aussi, à partir de données textuelles brutes, de poser un problème linguistique et d'y apporter une réponse à l'aide de méthodes et outils issus de la linguistique- informatique : on pourrait par exemple étudier, à partir d'un corpus parallèle ou comparable français-

• capitaux capital
• texte en phrases
• traitements informatiques
• corpus parallèles de qualité
• transports transport
• corpus
• efforts
• effort
• outil
• outils
• choix

Sujets

• Drafting
• Institut National des Langues et Civilisations Orientales
• Capital
• Effort
• Transport
• Corpus
• Qualité
• Traitement
• Parallèle
• Phrase

Informations

• Publié par: istyo
• Nombre de lectures: 60
• Langue: Français

Extrait

PROJET DIT « MULTILINGUE » Le projet proposé a pour but, à partir de données textuelles disponibles sur la toile, de produire des ressources linguistiques structurées. Ces dernières peuvent avoir une finalité lexicologique (voirhttp://crim.fr/lexique_ri.htmlpour un exemple de lexique françaisarabe des Relations Internationales), en particulier pour des couples de langues français+une langue enseignée à l’INALCO. Mais on peut envisager aussi, à partir de données textuelles brutes, de poser un problème linguistique et d’y apporter une réponse à l’aide de méthodes et outils issus de la linguistique informatique : on pourrait par exemple étudier, à partir d’un corpus parallèle ou comparable françaisanglais, des phénomènes comme les équivalences de traduction : GN en français— GV en anglais (voir exemples en annexe). De même, on pourrait s’interroger, dans le cadre de la traduction, sur des phénomènes comme le choix GN discret/nondiscret en anglais pour traduire des GN français pluriels : en particulier, comment le genre textuel influencetil ce choix (voir exemples en annexe) ? Dans tous les cas, ce projet fera l’objet d’une présentation en ligne et offrira une valeur ajoutée, non seulement dans la compréhension des phénomènes linguistiques étudiés, mais aussi dans le choix des outils utilisés. Pour ces derniers, en particulier dans le cas de langues dites « peu dotées » en outils d’ingénierie linguistique, la présentation en ligne permettra de fournir une documentation et des liens vers les outils, ainsi qu’un mode d’emploi clair et une évaluation succinte. ETAPES (15 SEMAINES) (les chiffres entre parenthèses correspondent à une progression par semaine) Tout au long du projet, on utilisera un outil permettant au groupe de communiquer (montrer son code pour demander où est l’erreur, donner adresse de sites utiles, présenter une expression régulière vraiment incompréhensible, connaître le code de l’espace…..). constitution raisonnée de corpus en fonction de la finalité retenue (13) lexiques multilingues en ligne : corpus multilingues, parallèles ou comparables, domaine glossaire spécialisé : documentation technique, extraction de définition terminologie : domaine restreint à choisir, technique d’extraction traductologie : problème posé linguistique : problème posé méthodologie de la constitution selon finalité (13)  quels textes ? quels genres ? quelles sources (journaux, magazines, romans, blogs…) ? source unique (facilite la phase de prétraitement du corpus) ? comment assurer la couverture maximale du domaine considéré ? quel est le biais apporté par la collecte de données numériques ? quelles caractéristiques lexicales et grammaticales peuvent aider à classer par « genre » ? étalon de mesure (13)

 comment mesurer la pertinence des données réunies ? quelles données pourraient servir de références ? comment évaluer la qualité des données (en particulier dans des domaines comme la traduction) ? qualité du corpus (13)  Où trouveton des corpus parallèles de qualité ? Sontils disponibles ? Quel format de fichier est le plus susceptible de refléter une certaine qualité (.html, .pdf…) ? Les outils destinés à mettre le corpus au format texte existentils ? Les fichiers sontils utilisables (cf. fichiers verrouillés) prétraitement du corpus en vue de traitements linguistiques (34) encodage standard (selon outils à utiliser, syntex par exemple prend du isolatin1 en entrée) de documents venant de sources multiples conservation des traces de chaque étape de traitement (36)  capacité de renvoyer au corpus de départ (.html), au corpus au format texte, au corpus étiqueté, au corpus aligné. Choix d’un format pour la conservation(XML…). Voir par exemplehttp://www.crim.fr/monde_diploqui présente les données sous différents formats, selon l’étape de traitement linguistique. débalisage ou traduction en format texte (45) quels outils pour quels formats ? quelles contraintes, en particulier en termes d’encodage (le débalisage ne doit pas corrompre les fichiers) ? quelles sont les options des outils pour traiter les pages .html contenant des graphiques, tableaux, colonnes ? correspondance de paires de fichiers (46) fautil un alignement brutal de chaque paire de fichiers débalisés ? Ou doiton garder trace de la structure HTML pour réaliser un meilleur alignement (titres, liens hypertexte…) étiquetage morphosyntaxique (57) 2 langues étiquettentelles de façon similaire des phénomènes de surface qui semblent identiques ? Comment limiter les distorsions créées par les outils de façon à ce que les conclusions linguistiques finales restent valides ? Comment se présentent les entrées des étiqueteurs (fichier texte pour Cordial, une phrase par ligne pour le tagger de Brill dans laquelle les marques de ponctuation sont précédées et suivies d’un blanc, …) ? Quels sont les traitements informatiques à mettre en œuvre pour avoir des données au bon format ? Quels outils existent pour mettre ces données au format : outils du shell (sed, tr…), langage de programmation (Perl) ? Comment se présentent les sorties des étiqueteurs ? extraction terminologique (710)  Quelle est la structure d’un terme d’une langue à l’autre ? Peuton envisager une correspondance de structures de termes (p. ex. ‘pouvoir d’achat, liberté d’opinion, table des négociations, conseil de sécurité’ sont tous des syntagmes du type ‘Nom de Nom’, mais cette structure constante se retrouvetelle en languecible ?) Quels sont les extracteurs

terminologiques existants ? Ecrire des programmes permettant d’extraire des patrons morpho syntaxiques à partir d’un texte étiqueté. Voirhttp://www.crim.fr/patrons_verbaux_pour_extraction.htmlpour un exemple de patrons verbaux. Evaluer et trier les sorties. Voirhttp://www.crim.fr/resultat_extraction.htmlpour un exemple de sortie non triée. alignement de phrases (910)  Quelles sont les méthodes classiques d’alignement (statistiques, linguistiques, cognats…) ? Ecrire un programme permettant de séparer un texte en phrases terminées par un point. Quelles difficultés ? Voir un exemple d’alignement manuel permettant l’extraction de syntagmes nominaux à http://www.crim.fr/tableau_de_correspondance_noms.html Quels sont les résultats produits par un alignement fruste (chaque phrase de la languesource est alignée par défaut avec chaque phrase de la languecible, en commençant en haut du fichier). alignement de mots/syntagmes (1112)  Outils existants ? Choix de la méthode. mise en ligne, corrections, organisation du projet en site (1215)

ANNEXES (syntagmes proposés hors contexte, mais exemples réels disponibles) NOMS EN FRANÇAIS VERBES EN ANGLAIS à défaut, faute de quoi failing that à l'approche de as sthg nears à l'instigation de at the urging of activité législative lawmaking affaires/possessions belongings alarmiste alarmraising ancestral timehonored applicatif applicationoriented artisanal homemade attribution granting au bas mot that's a conservative estimate au fil des mois/au fil du temps as months went by/as time goes by au grand dam de causing the anger of aucune idée search me autodidacte selfmademan avant la date fixée before the deadline runs out beuverie bingedrinking bouclage cordoning/sealing off calciné burntdown casanier stayathome citadins citydwellers combats fighting combines/micmacs wheeling and dealing comité permanent standing committee concentration (militaire) buildup condoléances be sorry for sbdy's loss conduite driving construction navale shipbuilding contingentement quotasetting contrebande smuggling dans la mesure du possible if I could help it date de péremption the sellby/bestbefore date de bon/mauvais augure that bodes well/ill of de son propre fait of one's own making démantèlement dismantling dépenses spending déplacé uncalledfor diplômé degreeholder (GB) discours what they say économie du savoir the knowledgebased economy emballages packaging en baisse flagging en convalescence recovering

en gestation/en devenir/potentiel/virtuel en herbe/naissant encas éphémère escalade euthanasie exceptionnel/inédit externalisation financement fixation flottement (hésitation) funambulisme fusillade grabataire grande époque impossible inauguration (pol.) indécis innovant intact jeux de hasard la collecte le moinsdisant social le nième jour consecutif législateur/parlementaire les mains vides levée (d'une mesure) maintien de l'ordre majeur/à grande échelle/véritable majorité même constatation pour minutieux/méticuleux mise au point mise en chômage technique mobilisation multiplication multiplication numéro vert opérations/actes optimiste par le biais de X parachutisme pendaison de crémaillère perdu petite phrase planification pointage président en exercice

in the making budding snacking shortlived rockclimbing mercykilling unheardof outsourcing funding/financing setting dithering tightrope walking/a balancing act shooting bedridden those were the days no can do swearingin ceremony fencesitter groundbreaking unimpaired gambling gathering social dumping the nth day running lawmaker emptyhanded lifting policing/law enforcement fullblown come of age the same goes for painstaking get your facts straight idling rallying around everinceasing number of everincreasing number of call tollfree dealings upbeat/sanguine Xbrokered skydiving housewarming party Godforsaken soundbite planning clocking in/out acting president

prolifération qualités réchauffement de la planète récidive recours recyclage de (déchets) rédaction rééchelonnement réformiste relâchement répartition de X représentant de l'ordre résultats rodéos (en voiture) sansopinion sanspapiers selon le cas si nécessaire soins prodigués aux malades sous conditions de ressources sous couvert d'anonymat sous le regard de X sous les yeux de strident surpopulation carcérale système de suivi terme générique terne timide (incertain) traçabilité transexualisme vieillissement volontaire

mushrooming things going for global warming reoffending resorting recycling, reprocessing drafting rescheduling reformminded letup the way X breaks down lawenforcer findings joyriding don't know (DK) undocumented as the case may be if need be patient care meanstested on condition he not be identified while X looked on as X was looking on highpitched prison overcrowding tracking device catchall phrase lacklustre faltering trackandtrace (techniques) genderswapping ageing cando

SYNTAGMES FRANÇAIS (DISCRETS) actions (mesures) affaires affaires (les) allégements fiscaux applaudissements atermoiements/tergiversations bellefamille bureaucratie capacités capacités de production nonutilisées capitaux changements changer de camp Clergé combats combines/micmacs commentaires commentaires (conjectures) conflits conjectures conséquences contestations dans ses pensées de plus en plus de critiques déchets dégâts délits dépenses des expériences des faits des morts des traitements médicaux détails devoirs dissensions divergences efforts électorat emballages embouteillages émettre des critiques ennuis entourage étatmajor/direction

SYNTAGMES ANGLAIS (NON DISCRETS)

action business business tax relief/tax breaks/tax cuts applause procrastination inlaws bureaucrats ability spare capacity capital change switch allegiances/sides clerics fighting wheeling and dealing comment speculation conflict speculation fallout protest deep in thought a growing amount of criticism waste damage crime spending experience fact loss of life medical treatment detail homework dissent disagreement effort voters packaging congestion level criticism trouble his closest advisers leadership/leaders

fauxsemblants heures supplémentaires incertitudes inquiétudes insultes investissements jeux de hasard la culture le consensus Les Echos le jury le moindre effort les activités les analyses les horaires aménagés les secours les urgences logiciels loisirs louanges luxe de détails médicaments munitions mutations négligences peines peu d'indications polémiques potins mondains progrès provoquer des débats recherches recoupements réformes agraires remords renseignements réticences rires selon les plans/comme prévu signes soins soins gratuits aux malades de longue durée soins prodigués aux malades somme de connaissances Sornettes Spécificités Suffrages Témoignages terres agricoles

pretence overtime uncertainty concern abuse investment gambling the arts Les Echos' panel of economic forecasters they the least amount of effort activity analysis flextime help an emergency room software leisure, entertainment praise wealth of detail medication/medicine ammunition change neglect punishment little sign controversy celebrity gossip progress stir debate research overlap land reform remorse intelligence reluctance laughter according to plan sign care free longterm care patient care amount of knowledge nonsense distinctiveness vote testimony farmland

Transports Travaux travaux ménagers turbulences (remous) Violences

transport work housework turmoil violence