Des corpus arborés à l’induction de structures syntaxiques partielles

From treebanks to partial syntactic structure induction

• Auteur / Autrice : Marine Courtin
• Direction : Martine Adda-Decker, Kim Gerdes
• Type : Thèse de doctorat
• Discipline(s) : Sciences du Langage
• Date : Soutenance le 31/01/2024
• Etablissement(s) : Paris 3
• Ecole(s) doctorale(s) : École doctorale Sciences du langage (Paris ; 2019-2025)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de phonétique et phonologie (Paris)
• Jury : Président / Présidente : Sylvain Kahane
• Jury : Examinateurs / Examinatrices : Martine Adda-Decker, Kim Gerdes, Sylvain Kahane, Marie-Hélène Candito, Ramon Ferrer i Cancho, Delphine Bernhard
• Jury : Rapporteurs / Rapporteuses : Marie-Hélène Candito, Ramon Ferrer i Cancho

Mots clés

Mots clés contrôlés

Syntaxe

Statistique linguistique

Analyse automatique (linguistique)

Notes (paratexte)

Corpus linguistique

Mots clés libres

Traitement Automatique de la Langue

Corpus arborés

Syntaxe de dépendance

Annotation syntaxique

Natural Language Processing

Treebanks

Dependency syntax

Syntactic annotation

Résumé

Nos travaux portent sur les treebanks, ces corpus de textes dotés d’annotations de structures syntaxiques. Ils sont très utiles dans de nombreux domaines, de la linguistique au traitement automatique de la langue. Après une introduction portant sur leur rôle dans des domaines variés, nous plongeons dans l’histoire de leur création, depuis les pratiques d’annotation manuelle de textes vers les treebanks modernes avec l’avènement des technologiques. Le chapitre 3 montre les méthodes de création de ces treebanks. Le chapitre 4 discute des problématiques liées à la constitution des guides d’annotation, et mets en évidences certaines de ces problématiques au travers de deux études, la première portant sur traitement des expressions multi-mots, la seconde sur la constitution d’un treebank dans une langue peu pourvue en ressources, le Naija langue parlée au Nigéria étudiée dans le cadre du projet ANR NaijaSynCor. Le chapitre 5 présente l’outil Arborator-Grew, conçu pour faciliter l’annotation collaborative des treebanks. Le chapitre 6 étudie comment des lois linguistiques fondamentales comme la loi de Menzerath-Altmann et le Heavy Constituent Shift interagissent. Il propose également plusieurs procédures pour générer des arbres artificiels, permettant de contraster leurs propriété avec celles des arbres syntaxiques. Enfin, le chapitre 7 vise à utiliser des techniques statistiques pour découvrir la structure sous-jacente des phrases dans un texte. En résumé, ce travail montre l’importance des treebanks dans notre compréhension des langues, et leur rôle dans le développement des technologies linguistiques en soulignant l’innovation continue dans ce domaine.

This document focuses on treebanks, textual corpora with syntactic annotations. These treebanks are invaluable in numerous fields, ranging from linguistic studies to natural language processing. First, we explore how these treebanks aid researchers in multiple domains. Next, we dive into the history of treebank development. Before the computer age, researchers began to manually create collections of annotated texts, which evolved with the advent of computers into modern treebanks. Chapter 3 focuses on the challenges and methods of creating these treebanks. Chapter 4 addresses challenges relating to developing annotation guidelines. These discussions bring us to two case studies, the first relating to how to best handle complex multi-word expressions, the second retracing the development of a treebank for a low-resource language, the Naija pidgin-creole spoken spoken in Nigeria and its analysis as part of the ANR NaijaSynCor project. Chapter 5 introduces a new tool, Arborator- Grew, designed to facilitate collaborative annotation of treebanks. Chapter 6 studies how linguistic laws such as the Menzerath-Altmann law and the Heavy Constituent Shift interact. It also introduces several tree generation algorithms, which we use to contrast the properties of syntactic and artificial trees. Finally, Chapter 7 aims to use statistical techniques to latent structure of sentences in a text. In summary, this work highlights the importance of treebanks in our understanding of languages and their significant role in the development of language technologies. It also emphasizes continuous innovation in this field, opening new avenues for the study and analysis of languages.