Plateforme pédagogique de la Faculté des Lettres

L'objectif de ce cours est de faire découvrir aux étudiants les bases de l'ingénierie des langues (ou ingénierie linguistique). Il consistera en une immersion progressive dans les différents niveaux et types d'analyse des langues par ordinateur. Les notions théoriques présentées seront illustrées par l'utilisation de différents outils de traitement de données textuelles.

 Tout d'abord de linguistique de corpus et de textométrie (statistique textuelle et concordance), puis de traitement automatique des langues (TAL). Les étudiants seront ainsi amenés au cours du semestre à réaliser un projet d'analyse linguistique automatique, depuis sa formalisation jusqu'à sa mise en œuvre.

 L'objectif de ce cours est de permettre aux étudiants d'appréhender la plus-value que les outils d'analyse automatique de textes offrent à la linguistique et inversement la plus-value que la connaissance linguistique offre à l'utilisation des outils d'analyse automatique.

Ce cours propose de traiter des concepts généraux, selon une approche épistémologique, de l’informatique et de la modélisation dans les sciences humaines. Les modèles scientifiques sont des constructions destinées à prédire certains aspects d'une réalité objective qui existe indépendamment de l'observateur. On  insistera sur la différence entre les modèles, qui sont construits par les scientifiques, et la réalité, qui existe indépendamment des modèles. Les modèles sont des approximations successives de la réalité

L'accès à l'information présente dans les documents disponibles sous forme numérisée n'est pas automatique pour la machine. En effet, un certain nombre d'informations sont computationellement opaques, c'est à dire qu'elles ne sont pas directement accessibles pour la machine même si elles sont évidentes pour les humains. Par exemple, un humain est capable de dater un document même si l'information n'est pas explicitement mentionnée.

Les documents électroniques visent à standardiser, à normaliser la manière dont on encode les documents de manière à faciliter l'accès à l'information. C'est par exemple le cas des flux RSS au format XML où les informations telles que la date ou l'auteur vont être explicitement encodée dans le document de manière à faciliter le traitement automatique ultérieur.

Dans ce cours seront présentés différents formats de structuration des données dont notamment XML et JSON ainsi que des modalités pratiques de modélisation et d'utilisation exploitant ces formats. Plus précisément, les séances sont organisées comme suit.

Les premières séances se focalisent sur les concepts informatiques des technologies XML :

• Modéliser et structurer les données avec le langage XML

• Définir la structure et le type de contenu d’un document XML avec DTD et Schéma XML

• Interroger un document XML avec le langage de requête XPath

• Analyser un document XML avec des interfaces de programmation (ex. ElementTree en Python)

Durant les séances suivantes, JSON, un autre langage comparable à XML et utilisé pour la structuration des données, est abordé. Afin de compléter les connaissances sur le sujet des documents électroniques, les dernières séances sont consacrées à LaTex, un langage utilisé, entre autres, pour la structuration des textes pour une meilleure lecture par les humains, contrairement à XML et JSON qui sont plutôt destinés à faciliter des traitements par les machines.

Bibliographie

- Harold, E. R., Means, W. S. « XML in a Nutshell (XML en concentré) », 3rd Edition. O'reilly, 2009

- SALVADOR X.L. « XML pour les linguistes », 2016

- XML Tutorial. <https://www.w3schools.com/xml/>

- Basset, L. « Introduction to JavaScript Object Notation », O'reilly, 2015

- Griffiths, D. F., Higham, D. J. « Learning LaTex », 2nd Edition, SIAM, 2016

Méthodes et outils pour la création de cours

Etudes de plate-formes et d'outils logiciels pour le TAL

- Grammaires Formelles et Unitex

- Représentations Vectorielles et similarité