Rechercher dans le congrès et les archives

Nous avons constitué le corpus NLP4NLP pour étudier le contenu des publications scientifiques dans le domaine du traitement automatique de la parole et du langage naturel. Il contient les articles publiés dans 34 conférences et revues principales du domaine, sur une période de 50 ans (1965-2015), comprenant 65.000 documents, rassemblant 50.000 auteurs et représentant environ 270 millions de mots. La plupart de ces publications sont en langue anglaise, certaines en français, en allemand ou en russe. Certaines sont en accès libres, d’autres ont été fournies par leurs maisons d’édition. Pour …

Les bibliothèques numériques donnant accès à une multitude d'articles sous forme traitable par ordinateur, il est maintenant possible de développer de nouvelles applications. Si ces bibliothèques facilitent l'accès aux articles, il n'est pas toujours facile d'en déterminer l'impact ou pour un chercheur d'identifier de nouveaux problèmes ou de situer son travail dans la littérature courante. Des articles du même domaine répètent souvent les mêmes informations. Pour déterminer ce qu'un article ajoute au discours scientifique, un chercheur doit lire plusieurs sections contenant de l'informati…

Le Réseau francophone numérique (RFN, rfnum.org), fondé en 2006 par un groupe de six pays de la Francophonie, a pour mission de favoriser la numérisation de documents patrimoniaux francophones et de faciliter leur consultation en ligne. Le réseau compte dix-sept pays à ce jour. Un des projets du réseau a été la création d’une bibliothèque numérique (BN), soit un ensemble de documents numérisés dont les métadonnées ont été encodées en données ouvertes liées (Linked Open Data). Les métadonnées des 522 documents, hébergés dans les sites des membres respectifs, sont disponibles par requête SPA…

Cette recherche s’intéresse à l’article scientifique et plus précisément à son résumé ou abstract. Réalisée dans le cadre des chantiers d’usage de l’initiative d’excellence ISTEX, elle vise à comparer la quantité d’informations livrées par l’abstract avec celle du texte intégral (fulltext) de l’article qu’il résume. La communication se propose de détailler l’état de l’art et les limites des mesures existantes. La plupart de ces méthodes (e.g. ROUGE) nécessitent une intervention humaine importante car elles comparent le résumé considéré avec un ensemble des résumés de référence (gold standa…

Les articles scientifiques, spécifiques d’un domaine, sont riches en connaissances dudit domaine. Ces connaissances non structurées nécessitent le développement des techniques d’extraction de connaissances efficaces, qui consistent à identifier les concepts et les relations qui les relient. Les modèles d’extraction basés sur des approches d’apprentissage supervisé nécessitent l'annotation du corpus, ce qui est coûteux en temps et en ressources humaines. Des travaux récents montrent que les méthodes d’apprentissage non supervisé donnent des résultats équivalents lorsqu’elles sont appliquées…

Ancrées dans les SHS, les questions relatives aux usages se posent légitimement aux bibliothèques numériques (BM) considérées avant tout comme des objets sociotechniques et socioculturels. Ces questionnements s’imposent d’autant plus que les usages des BM demeurent incertains. Élaborés sur une transposition illusoire de la bibliothèque physique, ces artefacts techno-documentaires imposent une désintermédiation aux usagers au profit d'une interaction instrumentée de la RI par les TIC. L’interopérabilité technocentrée de ces BM paroxyse la désintermédiation et malmène acceptabilité et utilis…

Les recherches qualitatives sur le blogging de chercheurs, leurs motivations et leurs influences sont encore peu nombreuses. En France, le bouquet de blogs « Hypothèses.org » créé par le Cléo héberge depuis 2008 des « carnets de recherche » en SHS. Ouvrir un carnet procède de différents objectifs : accompagnement d’un programme de recherche ou d’études de terrain, réflexions argumentées sur des thématiques disciplinaires, sont parmi les plus représentés. Les 1722 blogs actuellement sur la plateforme sont répartis en 17 catégories, choisies par les auteurs à l’ouverture de leur blog. L'étud…

Le but de ce travail est de mettre en évidence, dans une volumineuse bibliothèque numérique, l'émergence parfois longue et contestée ou même un temps ignorée de nouveaux paradigmes scientifiques. L’originalité de ce travail est d’exploiter le texte plein des publications en mettant en jeu de manière coordonnée des méthodes d’extraction d’entités nommées et des méthodes d’apprentissage non supervisé spécifiques au texte, capables de fonctionner à grande échelle. La combinaison de ces méthodes représente une nouvelle approche dans le domaine. L’expérimentation que nous me…

Cette communication présente les résultats d’un projet sur l’indexation automatique des documents textuels. La méthode développée repose sur une procédure d’apprentissage automatique supervisée. Elle est basée sur un espace sémantique des mots-clés d’indexation (ESMC) induit à partir d'une base d’apprentissage et d’un espace sémantique de documents construit à partir d'une base de test (ESD). La prédiction des mots-clés d’indexation est réalisée en calculant la proximité entre les documents de l’ESD et les mots-clés de l’ESMC. Les k mots-clés les plus proches d’un document sont considérés …

Tirer parti de la masse grandissante de textes disponibles sur la toile constitue un enjeu tant universitaire qu'industriel. Dans cette présentation, nous proposons un tour d’horizon des travaux en extraction ouverte d’information, en prenant soin d’en montrer les limites. Nous décrivons ensuite des scénarios d’utilisation de ces technologies pour les sciences humaines. Nous nous appuyons sur une expérience réalisée au RALI dans laquelle l’information extraite de Wikipédia a été mise à profit pour étiqueter des entités extraites de la base documentaire d’Érudit.   

Avec le soutien du programme ISTEX, le démonstrateur Wicri expérimente l’élaboration d’informations de synthèse en explorant des corpus scientifiques. Son socle est un réseau de wikis sémantiques (Semantic MediaWiki). Les corpus sont traités dans des plateformes de curation et d’exploration, fabriquées, sous Unix, avec une bibliothèque de composants XML ou PHP. Avec un haut niveau de personnalisation, la version actuelle permet de fusionner des métadonnées hétérogènes (ISTEX, HAL, Pascal/Francis, PubMed, PubMed Central) avec réduction des doublons et homogénéisation des données. Il est pos…

Pour l’historien, le traitement numérique de documents du XVIIIe siècle pose des problèmes méthodologiques considérables. Même les sources qui ont été retranscrites dans des bibliothèques numériques, comme celle du projet ARTFL de l’Université de Chicago qui regroupe l’Encyclopédie et des centaines de fascicules de littérature populaire, sont truffées d’archaïsmes et d’orthographes instables qui déjouent les modèles linguistiques des outils d’analyse. Néanmoins, avec les précautions requises, il est possible d’appliquer des techniques informatiques à un corpus d’article…

Le projet ISTEX (initiative d’excellence en Information Scientifique et Technique) a pour objectif de permettre à la communauté scientifique française d’accéder, à une bibliothèque numérique pluridisciplinaire en texte intégral regroupant l’essentiel des publications scientifiques mondiales. Ces dernières sont accessibles à tous les chercheurs, notamment ceux gravitants autour des thématiques de la fouille de texte, du TAL, de la recherche d’Information, etc. Cela se concrétise par des actions R&D à la fois pour enrichir les données brutes et aussi pour développer de nouveaux algorithmes d…