Annotation Sémantique et Terminologique de Textes pour leur Indexation et leur Catégorisation

Bilan
L’objectif du projet ASTTIC était la constitution de corpus textuels, annotés sémantiquement et terminologiquement diffusables et accessibles pour la communauté scientifique. Il se fonde sur les résultats et les observations effectuées en sémantique lexicale, sémantique textuelle et terminologie.
par
Laurence Kister & Evelyne Jacquey (ATILF & MSH Lorraine, université de Lorraine, CNRS)

  1. Informations générales :

– Projet de recherche inclus dans l’axe 2 – Langues, textes et documents du programme scientifique de la MSH Lorraine.
– Équipes de recherche engagées : Atilf, Lidilem, Inist, Inria Nancy-Grand Est, Inria Saclay, Lina
– Durée effective : 22 mois (puis obtention d’un financement ANR qui a pris le relais en novembre 2012)

  1. Résumé du projet

L’objectif du projet ASTTIC était la constitution de corpus textuels, annotés sémantiquement et terminologiquement diffusables et accessibles pour la communauté scientifique. Il se fonde sur les résultats et les observations effectuées en sémantique lexicale, sémantique textuelle et terminologie.

  1. Résumé des résultats de la recherche

Le premier objectif du projet était de contribuer à la réalisation d’outils pour l’annotation terminologique des textes (faire apparaître les usages effectifs des termes pour chaque texte) et pour l’annotation sémantique des textes (exploiter l’étiquetage sémantique dans la perspective de caractériser sémantiquement les usages effectifs des termes).
Le second objectif du projet était de contribuer à l’aide à l’indexation et à l’amélioration du thesaurus en proposant des termes émergents particulièrement représentatifs des documents annotés par des informations terminologiques et sémantiques. En effet, l’état des ressources au démarrage du projet n’étaient satisfaisantes, ni pour l’annotation terminologique de textes, ni pour l’indexation de documents du domaine des sciences du langage par les documentalistes

Les recherches menées sans le cadre du projet ASTTIC relèvent de la terminologie, de la sémantique lexicale et de la sémantique textuelle. Il s’intéresse au domaine de spécialité des sciences du langage.

Son ancrage terminologique repose sur trois éléments :

– Le domaine de spécialité du laboratoire Atilf et de son centre de documentation
– L’existence de Thesaulangue, un thesaurus des sciences du langage conçu et régulièrement maintenu par ce centre de documentation
– L’aisance que nous avons à appréhender la qualité des informations terminologiques auxquelles nous avons accès par notre formation en sciences du langage

Les sciences du langage, comme toute discipline scientifique, disposent d’un vocabulaire spécifique sur lequel il est possible de développer des recherches d’ordre terminologique : reconnaissance des termes du domaine, relations entretenues par les termes, variantes linguistiques des termes, etc. Cependant, la terminologie des sciences du langage n’est pas une terminologie classique au sens de celle de l’aéronautique, par exemple. Dans une terminologie des sciences du langage, une partie importante du vocabulaire spécifique appartient aussi au lexique de la langue générale, ce qui génère de nombreuses ambiguïtés :

  • arbre est un terme en syntaxe et un mot de la  langue courante
  • composition est un terme dans les deux sous-domaines des sciences du langage que sont la syntaxe et la morphologie ainsi qu’un terme du domaine musicologie, par exemple, et un mot de la langue courante.

L’étude, l’analyse et l’exploitation des connaissances acquises sur les termes en sciences du langage nécessitent la contribution d’une approche sémantique, en particulier de la sémantique lexicale et la de sémantique textuelle. La sémantique lexicale, lorsqu’elle s’intéresse à un domaine de spécialité, se trouve à l’intersection des unités lexicales signifiantes (termes et leurs variantes) et des signifiés propres du domaine tandis que la sémantique textuelle s’occupe de faire émerger une caractérisation sémantique des termes à partir des textes et permet de qualifier les usages effectifs des termes. Étudier les usages effectifs des termes des sciences du langage suppose de disposer de corpus différenciés dans la mesure du possible (par exemple, un corpus d’articles scientifiques et un corpus de vulgarisation scientifique), d’outils d’annotation et d’exploitations des corpus. De ce fait, le projet ASTTIC s’appuie sur des techniques relevant du traitement automatique des langues : techniques d’extraction automatique de candidats termes à partir de textes et  techniques de fouille de données textuelles.

L’augmentation de la quantité et de la diversité des publications numérisées, ainsi que leur diversification dans un même domaine scientifique rendent l’indexation plus complexe pour les centres de documentation. De plus, la nécessité d’introduire la pluridisciplinarité pour mener à bien les recherches renforce l’interaction qui existe entre les différents domaines et sous-domaines (linguistique et mathématique ou histoire des textes et traitement automatique, par exemple). La quantité et la diversification de l’information accessible sont une chance mais posent des difficultés d’organisation, de repérage et de récupération de l’information contenue dans les textes. Cette situation complexe est un terrain d’expérimentation privilégié pour la linguistique et la linguistique informatique particulièrement en phase avec les problématiques de l’axe 2 – Langues, textes et documents de la MSH Lorraine. Comme nous venons de l’évoquer, les outils de textométrie permettent de déterminer des tendances lors du repérage des formes possibles de termes, mais ne permettent pas de prendre de décision ferme [Jacquey E. et al., 2010]. Ces tendances ne permettent pas de statuer pour chaque occurrence repérée ni d’annoter de manière fiable un corpus de textes en termes, c’est-à-dire d’enrichir les textes de ce corpus, en faisant apparaître les occurrences de termes sous la forme d’annotations spécifiques.

Pour dépasser cette difficulté, le  projet ASTTIC a mis en place deux améliorations méthodologiques du processus d’annotation de textes :

  • Modification de la phase de détection des formes des termes par extraction de formes candidates qui font l’objet de différents types de validation
  • Désambiguïsation des occurrences de formes détectées grâce à des méthodes de fouille de données et/ou à la désambiguïsation sémantique.

Synthèse des résultats obtenus (de janvier 2011 à juillet 2012) :

  • Harmonisation des ressources en vue de leur traitement
  • Tests de transformation de 4 articles PDF en XML et transmission des articles numérisés au Lidilem
  • Fourniture d’un lexique transdisciplinaire : exploitation d’un indicateur statistique afin de repérer le vocabulaire transdisciplinaire dans les notices bibliographiques FRANCIS
  • Extraction des termes des textes de Scientext en utilisant  deux outils d’extraction terminologiques TermoStat et Acabit
  • Mise en forme du corpus vulgarisation et mise à disposition via le CNRTL
  • Mise en place d’une interface d’annotation terminologique manuelle par couche
  • Fourniture d’un lexique transdisciplinaire et des textes de linguistique de Scientext  relatifs à la linguistique
  • Rédaction et soumission du projet Termith pour financement par l’ANR ConTINT
  • Annotation terminologique de 28 textes de Scientext
  • Constitution d’un corpus de notices dans les domaines disciplinaires du projet Termith (5.150 notices)
  • Informatisation de la mise au point de grille d’analyse des phrases comportant une occurrence de terme et une occurrence de lexique transdisciplinaire
  • Analyse des relations syntaxiques entre termes et lexèmes transdisciplinaires
  • Mise en place d’une plateforme intégrant  l’interface d’annotation terminologique manuelle par couche (conçue l’année précédente) – Smarties
  • Prise en compte des recommandations et négociation  du budget définitif du projet Termith suite à la décision de financement par l’ANR ConTINT
  • Annotation terminologique de 30 textes de Scientext

Le projet ASTTIC a permis de :

Indicateurs
L’indicateur le plus pertinent est celui de la diversité des formations et des disciplines représentées tant au niveau des laboratoires (6), des équipes que des individus impliqués (17) dans le projet :
Evelyne Jacquey, co-porteur du projet, CR CNRS : 34, Atilf – Lexique (CNRS)
Laurence Kister, co-porteur du projet, MCF CNU : 7, Atilf – Lexique (université de Lorraine – IUT Nancy-Charlemagne)
Sabine Barreaux, IR CNRS : DIST, Inist (CNRS)
Béatrice Daille, PU, CNU : 27, Lina – Taln (université de Nantes)
Claire François, IR CNRS : DIST, Inist (CNRS)
Bertrand Gaiffe, CR CNRS : 7, Atilf – Ressources et normalisation (CNRS)
Jean-Marc Humbert, IE CNRS, Atilf – Soutien technique à la recherche (CNRS)
Marie-Paule Jacques, MCF CNU : 7, Lidilem – Linguistique et traitement automatique des langues (IUFM – université Joseph Fourier – Grenoble)
Majid Khayari, IE CNRS : DIST, Inist (CNRS)
Jessika Perignon, Tech CNRS : 34, Atilf – Soutien technique à la recherche (CNRS)
Véronika Lux-Pogodalla, IR CNRS, Atilf – Lexique et Ressources et normalisation (CNRS)
Sandrine Ollinger, IE CNRS, Atilf – Soutien technique à la recherche (CNRS)
Etienne Petitjean, IR CNRS, Atilf – Soutien technique à la recherche (CNRS)
Stéphane Schneider, IE CNRS : DIST, Inist (CNRS)
Laurent Romary, DR CNRS : 7 (Inria)
Yannick Toussaint, CR CNRS : 7, Loria – Orpailleur (Inria)
Agnès Tutin, MCF HDR, CNU : 7, Lidilem – Linguistique et traitement automatique des langues (université Stendhal Grenoble 3)

Ressources en ligne :

– Site du projet Termith : http://www.atilf.fr/ressources/termith/index.php

– Site ANR : http://www.agence-nationale-recherche.fr/suivi-bilan/sciences-et-technologies-de-l-information-et-de-la-communication/contenus-numeriques-et-interactions/fiche-projet-contint/?tx_lwmsuivibilan_pi2[CODE]=ANR-12-CORD-0029

– Corpus de texte de vulgarisation scientifique : http://www.cnrtl.fr/corpus/shs/

Pages de consultation des textes annotés en candidats termes et validés manuellement : https://apps.atilf.fr/smarties/

Publications :

Fort K., François C., Galibert O. et Ghribi M. (2012). Analyzing the Impact of Prevalence on the Evaluation of a Manual Annotation Campaign, LREC, 2012.

Jacques, M.-P. Nous appelons X cet Y : X est-il un terme émergent ?, Actes de la conférence TIA 2011, 31-37, 2011

Kister L. et Jacquey E., Relations syntaxiques entre lexiques terminologique et transdisciplinaire : analyse en texte intégral, CMLF, 2012.

Kister L., Jacquey E. et Gaiffe B., Du thesaurus à l’onto-terminologie : relations sémantiques vs relations ontologiques, CORELA, 9(1), 2011.

Kister L., Jacquey E. et Gaiffe B., Liens conceptuels et relations sémantiques : proposition de représentation des connaissances en sciences du langage, Plateforme Afia, IC,  mai 2011.

Mondary T., Nazarenko A., Zargayouna H. et Barreaux S., The Quaero Evaluation Campaign on Term Extraction, LREC, 2012.

Tutin A., L’étude et la modélisation de la phraséologie évaluative dans les écrits scientifiques : une exploitation du corpus Scientext, Association for French Language Studies, septembre 2011.


Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.