Vers une nouvelle évaluation de la comparabilité et de l'idiomaticité des corpus multilingues

Towards a New Evaluation of the Comparability and Idiomaticity of Multilingual Corpora

• Auteur / Autrice : Sarah Theroine
• Direction : Laurent Gautier, Christophe Cruz
• Type : Projet de thèse
• Discipline(s) : Sciences du langage
• Date : Inscription en doctorat le 15/04/2021
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Lettres, Communication, Langues, Arts (Dijon ; Besançon ; 2017-....)
• Partenaire(s) de recherche : Laboratoire : Centre Interlangues Texte, Image, Langage
• Partenaire(s) de recherche : Equipe de recherche : Modèles et Discours
• Partenaire(s) de recherche : établissement de préparation : Université de Bourgogne (1970-....)

Mots clés

Mots clés libres

Métriques d'évaluation

Corpus

Linguistique Appliquée

Ia

Taln

Evaluation metric

Corpora

Applied linguistic

Ai

Nlp

Résumé

Le sujet repose sur la reconnaissance de la part prépondérante et du rôle-clef des notions de figement/pré-formation dans la mise en discours de contenus spécialisés ayant pour corollaire le dépassement de la dichotomie lexique vs. grammaire au profit de notions comme celles de schéma/patterns. Ces notions, investies différemment selon les cadres théoriques de référence, ont en commun de reconnaître dans la récurrence, la reproductibilité et la stabilité de figements complexes des éléments fondamentaux de la production langagière humaine pouvant être modélisés avantageusement dans les interactions-hommes machine à condition de disposer de larges corpus homogènes et annotés avec un grain permettant la reconnaissance de ces derniers (vs la conjonction de liste de mots isolés mis en discours sur la base de grammaires locales). En contexte de communication plurilingue comme la traduction, ce postulat entre en synergie avec la reconnaissance de la différence de qualité linguistique – en termes de fluidité et d'idiomaticité des outputs – entre données extraites de corpus parallèles et comparables

The subject is based on the recognition of the preponderant part and the key role of the notions of figement/pre-training in the discourse of specialized contents, the corollary of which is the overcoming of the dichotomy lexicon vs. grammar in favor of notions such as schema/patterns. These notions, invested differently according to the theoretical frameworks of reference, have in common that they recognize in the recurrence, reproducibility and stability of complex freezes fundamental elements of human language production that can be advantageously modeled in human-machine interactions provided that large homogeneous and annotated corpora are available with a grain allowing their recognition (vs. the conjunction of lists of isolated words put into discourse on the basis of local grammars). In the context of multilingual communication such as translation, this postulate is in synergy with the recognition of the difference in linguistic quality - in terms of fluidity and idiomaticity of outputs - between data extracted from parallel and comparable corpora.