Le quechua dans les outils numériques, un défi pour le TAL ? : développement de ressources linguistiques et numériques pour le quechua ancashino

Quechua in digital tools, a challenge for NLP? : development of linguistic and digital resources for Ancash Quechua

• Auteur / Autrice : Johanna Cordova
• Direction : César Itier, Damien Nouvel
• Type : Projet de thèse
• Discipline(s) : Traitement automatique des langues
• Date : Inscription en doctorat le 01/10/2019
• Etablissement(s) : Paris, INALCO
• Ecole(s) doctorale(s) : École doctorale Langues, littératures et sociétés du monde (1997-... ; Paris)

Mots clés

Mots clés libres

Tal

Quechua

Langue agglutinante

Langue minoritaire

Analyse morphologique

Corpus aligné

Corpus arboré

Universal Dependencies

Ocr

Nlp

Quechua

Agglutinative language

Low-resourced language

Morphological analysis

Parallel corpora

Treebank

Universal Dependencies

Ocr

Résumé

Les langues quechuas constituent l'une des familles linguistiques amérindiennes comptant le plus grand nombre de locuteurs natifs. Au Pérou, selon le recensement de 2017, 13,9% de la population a le quechua pour première langue et environ 20% le parle. Pourtant, elle est presque totalement absente des usages numériques. En traitement automatique des langues (TAL), c'est une langue peu dotée, avec une forte disparité de ressources selon la variété de quechua considérée. L'objectif de cette thèse est de développer un ensemble d'outils fondamentaux pour le traitement automatique d'une variété du quechua central, le quechua ancashino, parlé par environ 400 000 personnes, et en danger d'extinction d'après la classification de l'UNESCO. Ce processus comporte trois étapes : la numérisation des ressources disponibles dans cette variété (dictionnaires, corpus écrits), l'implémentation d'un analyseur morphologique, et l'élaboration d'un corpus arboré pour l'analyse en morpho-syntaxe. Les ressources développées seront valorisées à travers des applications telles qu'un moteur de recherche permettant d'interroger l'ensemble des dictionnaires. Dans un contexte global de valorisation des langues originaires et alors que d'ambitieuses politiques liées aux droits linguistiques sont en cours de déploiement dans les pays de l'aire andine, la présence du quechua dans les technologies constitue un important levier pour renforcer sa pratique et faciliter son enseignement.

Quechua languages are one of the Amerindian language families with the largest number of native speakers. In Peru, according to the 2017 census, 13.9% of the population have Quechua as their first language, and around 20% speak it. However, the language is almost totally absent from digital tools. In natural language processing (NLP), it is an under-resourced language, with a strong disparity in the amount of resources depending on the variety of Quechua considered. The aim of this thesis is to develop a set of fundamental tools for the automatic processing of a variety of central Quechua, Ancash Quechua, spoken by around 400,000 people and in danger of extinction according to the UNESCO classification. This process involves three stages: digitisation of the resources available in this variety (dictionaries, written corpora), implementation of a morphological analyser, and development of a treebank for morpho-syntactic analysis. These resources will be made available on the web via applications, in particular a search engine that can be used to query the dictionaries available for this language. In a global context of preservation movement of native languages, and while ambitious policies related to linguistic rights are being deployed in the countries of the Andean region, the presence of Quechua in technologies would be an important lever to strengthen its practice and facilitate its teaching.