619 - Documents et ressources pour leur traitement : un couplage crucial

Il est important pour un futur traducteur de textes spécialisés de bien connaitre le lexique propre à un domaine de spécialité pour exprimer des connaissances relatives à celui-ci et produire des textes de qualité.

Dans cette communication, nous présenterons une méthodologie d'exploitation d'un corpus d'apprenant portant sur la pollution. Ainsi, nous montrerons l'utilité du corpus dans la didactique du lexique spécialisé, ressource peu utilisée dans les cours de langue spécialisée.

Nous présenterons d'abord les critères de création du corpus d'apprenant : taille, types de textes, etc. en nous inspirant de ceux proposés par Granger (2013). Puis, en nous basant sur les travaux sur le lexique de la langue générale (Binon et al. 2004), nous montrerons l'utilité du corpus pour créer des exercices de distinction de sens et d'appréhension de collocations sur le lexique spécialisé. Par exemple, il existe le risque de considérer comme interchangeables des termes comme décontaminer [éliminer les contaminants de différents types (ordure, pétrole, bactéries…)], et désinfecter [éliminer les microorganismes (bactéries)]. Mais les contextes extraits du corpus permettent de savoir lequel utiliser lors de la production de textes : l'eau polluée par le pétrole sera décontaminée; ces bactéries sont nocives, désinfectez l'air.

Les contextes aident aussi à appréhender le bon collocatif et à l'utiliser correctement pour exprimer un sens précis [ex. carbone : émettre du ~ (produire); teneur en ~ (quantité)].

Nous présentons l'utilisation d'une approche de fouille de textes dans le cadre d'un projet regroupant des chercheurs en sciences de l'information et en linguistique. L'objectif du projet est la description du domaine de l'environnement à partir d'un important corpus web de 23 514 documents moissonnés à partir de 1 969 sites web totalisant 47 364 125 occurrences. L'étape dont nous rendons compte dans cette communication est une première étape de fouille de textes visant à extraire la structure thématique d'un échantillon du corpus en appliquant de façon itérative un algorithme de classification non supervisée pour identifier une structure hiérarchique de documents partageant des thématiques communes. Notre approche est novatrice puisqu'elle permet de traiter un corpus complexe composé de différents genres textuels et de multiples domaines, incluant des rapports d'experts, des articles de journaux, des pamphlets idéologiques et des travaux de vulgarisation. À partir de nos résultats, nous sommes à même d'alimenter le travail de linguistes par la possibilité de visualiser les principaux thèmes sous la forme d'un dendrogramme interactif de thèmes et par la création de sous-corpus spécialisés. Au final, nos résultats démontrent que l'utilisation de cette approche basée sur la fouille de textes comme première étape exploratoire pour appréhender les corpus massifs et bruités du Web améliore la précision des étapes subséquentes menant à la description linguistique d'un domaine.



Les méthodes d'analyse distributionnelle permettent, au moyen de mesures statistiques, de faire ressortir des liens de similarités entre les mots et d'observer les phénomènes les plus récurrents de la langue. Bien que ces méthodes soient souvent utilisées en linguistique de corpus, elles sont rarement employées dans le domaine de la terminologie (Périnet et Hamon 2014). La taille généralement inférieure des corpus spécialisés par rapport à celle des corpus généraux est peut-être l'un des facteurs réduisant l'intérêt pour ce type d'analyse appliqué au travail terminologique. Cependant, la quantité importante de documents désormais accessibles sur le Web nous laisse envisager la possibilité de construire des corpus spécialisés de taille considérable. Notre projet vise donc à automatiser la compilation de textes spécialisés afin d'obtenir des corpus de grande taille sur lesquels seront appliquées des méthodes d'analyse distributionnelle.

Nous présenterons une méthode de construction automatique de corpus spécialisés dont le processus itératif utilise le Web et l'extracteur de termes TermoStat (Drouin 2003). Nous décrirons également une méthode d'évaluation des corpus qui utilise le modèle neuronal word2vec (Mikolov et al. 2013) et dont le but est d'évaluer leur cohérence thématique ainsi que l'influence de leur taille sur la précision de l'information distributionnelle.



Cette présentation vise à étudier les changements lexicaux en anglais dans le domaine de l'Internet en diachronie courte. Nous voulons ainsi mettre en lumière les termes nouveaux qui sont apparus avec l'avènement des réseaux sociaux en ligne, notamment Facebook, le plus populaire. À l'instar de Paquin (2007) et Picton (2009), nous travaillons en diachronie courte, car l'Internet est un domaine qui évolue rapidement.

Nous avons construit un corpus anglais constitué d'articles de revues d'informatique grand public, PC Magazine et PC World, couvrant les années 2001 à 2010. Le corpus est divisé en deux sous-corpus : 2001 à 2005 et 2006 à 2010. Nous avons choisi 2006 comme pivot, car c'est depuis cette année-là que Facebook est ouvert au public. Pour chacune des deux revues, nous avons sélectionné un numéro par année de 2001 à 2010, pour un total d'environ 540 000 mots pour le sous-corpus de 2001 à 2005 et environ 390 000 mots pour le sous-corpus de 2006 à 2010. Chaque sous-corpus sera soumis à l'extracteur de termes TermoStat pour en extraire les candidats-termes, puis nous tenterons de voir si l'avènement des réseaux sociaux a modifié la terminologie.

Le corpus anglais étant déjà compilé, la présentation portera sur le montage du corpus anglais et sur les résultats préliminaires des expérimentations faites avec ce corpus dans TermoStat.



Dans cette contribution, nous nous proposons de décrire les adjectifs dans la terminologie des énergies renouvelables à partir de corpus textuels et de les modéliser par le biais des fonctions lexicales conçues par la Lexicologie Explicative et Combinatoire.

La première partie est consacrée à la constitution du corpus, qui, en raison de l'hétérogénéité du domaine, exige une structuration préalable en différents sous-corpus : technique et scientifique ; législatif ; économique et financier ; journalistique. Grâce à l'extracteur terminologique TermoStat et au concordancier AntConc, on passe ensuite à l'extraction et au filtrage manuel des adjectifs du corpus. D'abord est considérée la polysémie des adjectifs moyennant l'observation en contexte : par exemple, l'adjectif vert, qui figure dans des expressions telles que « emploi vert », « technologie verte », est chargé d'un sens métaphorique qui ne correspond pas à son acception dans la langue générale. Cette acception est explicitée dans la paraphrase « verts (environnementaux) ». Ensuite, les dérivés sémantiques adjectivaux repérables dans le corpus sont examinés : dérivés actanciels purs (électrique, énergétique) et dérivés actanciels de potentiels (durable, éligible, renouvelable). Des antonymes peuvent aussi être identifiés, par exemple renouvelable vs fossile. L'analyse comparée des résultats des sous-corpus permettra de vérifier si, et dans quelle mesure, le fonctionnement des adjectifs varie selon le type de texte considéré.



Les dictionnaires spécialisés, souvent créés à partir de corpus, sont le fruit d'un investissement important de temps et d'effort dans l'analyse, la sélection et la structuration de données. Quel est le retour sur cet investissement? En quoi l'interaction des utilisateurs avec ces données soigneusement présentées est-elle différente de celle avec des données brutes? Les bénéfices tirés sont-ils comparables?

Dans cette communication, nous explorons ces questions par une étude de cas. Nous avons enregistré l'activité de huit étudiants en traduction qui analysaient des occurrences de six termes de l'environnement. Trois étaient étudiés dans les contextes annotés du DiCoEnviro, un dictionnaire de l'environnement qui s'inspire des principes de la lexicographie explicative et combinatoire et de la sémantique des cadres (L'Homme 2012). Un concordancier en ligne et le corpus utilisé pour créer le dictionnaire ont servi à analyser les trois autres. Les participants ont alors rédigé des définitions pour les termes.

Nous résumons nos observations de ces activités (entre autres le temps passé à consulter les données, les choix effectués au niveau des recherches, le résultat de la rédaction) ainsi que les réactions des participants aux deux ressources. Ceci nous aidera à mieux comprendre le comportement des apprenants face à de telles données, et contribuera éventuellement à une meilleure compréhension de la complémentarité de ressources telles que le DiCoEnviro et son corpus.



Notre projet a pour objectif d'identifier automatiquement à partir d'un corpus des relations sémantiques entre mots du Lexique scientifique transdisciplinaire (lexique partagé par divers domaines scientifiques) (Tutin 2014). Pour y parvenir, nous exploitons des techniques du traitement automatique des langues; plus particulièrement une analyse distributionnelle automatisée. D'une part, nous utilisons Hyperwords, un logiciel permettant l'exploitation de la méthode distributionnelle (Harris 1955) et d'autre part, nous faisons appel à l'algorithme word2vec (Mikolov et al. 2013) reposant sur une architecture en réseaux de neurones artificiels.
Le corpus analysé est issu de Scientext ; il comporte 3,6 millions de mots et regroupe des articles, des thèses et des écrits d'étudiants recouvrant dix disciplines scientifiques. Nous nous intéressons plus particulièrement aux relations sémantiques des noms et verbes du Lexique scientifique transdisciplinaire et à la création de regroupements de voisins sémantiques par le biais de graphes. Ces derniers seront comparés avec les classes sémantiques des mots du Lexique scientifique transdisciplinaire constituées manuellement par l'équipe du LIDILEM de Grenoble, afin de montrer les similarités et divergences des deux approches.