Le projet propos a pour but, partir de donnes textuelles disponibles ...
9
pages
Français
Documents
Le téléchargement nécessite un accès à la bibliothèque YouScribe Tout savoir sur nos offres
9
pages
Français
Ebook
Le téléchargement nécessite un accès à la bibliothèque YouScribe Tout savoir sur nos offres
- redaction - matière potentielle : drafting
- capitaux capital
- texte en phrases
- traitements informatiques
- corpus parallèles de qualité
- transports transport
- corpus
- efforts
- effort
- outil
- outils
- choix
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 françaisarabe 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 françaisanglais, 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/nondiscret en anglais pour traduire des GN français pluriels : en particulier, comment le genre textuel influencetil 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 (13) 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 (13) quels textes ? quels genres ? quelles sources (journaux, magazines, romans, blogs…) ? source unique (facilite la phase de prétraitement 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 (13)
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 (13) Où trouveton des corpus parallèles de qualité ? Sontils 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 existentils ? Les fichiers sontils utilisables (cf. fichiers verrouillés) prétraitement du corpus en vue de traitements linguistiques (34) encodage standard (selon outils à utiliser, syntex par exemple prend du isolatin1 en entrée) de documents venant de sources multiples conservation des traces de chaque étape de traitement (36) 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 (45) 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 (46) fautil un alignement brutal de chaque paire de fichiers débalisés ? Ou doiton garder trace de la structure HTML pour réaliser un meilleur alignement (titres, liens hypertexte…) étiquetage morphosyntaxique (57) 2 langues étiquettentelles 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 (710) Quelle est la structure d’un terme d’une langue à l’autre ? Peuton 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 retrouvetelle en languecible ?) 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 (910) 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 languesource est alignée par défaut avec chaque phrase de la languecible, en commençant en haut du fichier). alignement de mots/syntagmes (1112) Outils existants ? Choix de la méthode. mise en ligne, corrections, organisation du projet en site (1215)
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 lawmaking affaires/possessions belongings alarmiste alarmraising ancestral timehonored applicatif applicationoriented artisanal homemade 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 selfmademan avant la date fixée before the deadline runs out beuverie bingedrinking bouclage cordoning/sealing off calciné burntdown casanier stayathome citadins citydwellers combats fighting combines/micmacs wheeling and dealing comité permanent standing committee concentration (militaire) buildup condoléances be sorry for sbdy's loss conduite driving construction navale shipbuilding contingentement quotasetting contrebande smuggling dans la mesure du possible if I could help it date de péremption the sellby/bestbefore date de bon/mauvais augure that bodes well/ill of de son propre fait of one's own making démantèlement dismantling dépenses spending déplacé uncalledfor diplômé degreeholder (GB) discours what they say économie du savoir the knowledgebased economy emballages packaging en baisse flagging en convalescence recovering
en gestation/en devenir/potentiel/virtuel en herbe/naissant encas 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 moinsdisant 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 shortlived rockclimbing mercykilling unheardof outsourcing funding/financing setting dithering tightrope walking/a balancing act shooting bedridden those were the days no can do swearingin ceremony fencesitter groundbreaking unimpaired gambling gathering social dumping the nth day running lawmaker emptyhanded lifting policing/law enforcement fullblown come of age the same goes for painstaking get your facts straight idling rallying around everinceasing number of everincreasing number of call tollfree dealings upbeat/sanguine Xbrokered skydiving housewarming party Godforsaken 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) sansopinion sanspapiers 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 reformminded letup the way X breaks down lawenforcer findings joyriding don't know (DK) undocumented as the case may be if need be patient care meanstested on condition he not be identified while X looked on as X was looking on highpitched prison overcrowding tracking device catchall phrase lacklustre faltering trackandtrace (techniques) genderswapping ageing cando
SYNTAGMES FRANÇAIS (DISCRETS) actions (mesures) affaires affaires (les) allégements fiscaux applaudissements atermoiements/tergiversations bellefamille bureaucratie capacités capacités de production nonutilisées 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 étatmajor/direction
SYNTAGMES ANGLAIS (NON DISCRETS)
action business business tax relief/tax breaks/tax cuts applause procrastination inlaws 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
fauxsemblants 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 longterm care patient care amount of knowledge nonsense distinctiveness vote testimony farmland
Transports Travaux travaux ménagers turbulences (remous) Violences
transport work housework turmoil violence
