Cette contribution vise à illustrer la réalisation et l'utilisation de corpus à des fins de recherche en transcription automatique de la parole. Ces recherches s'appuyant largement sur une modélisation statistique, s'accompagnent naturellement de production de corpus écrits et oraux transcrits ainsi que d'outils facilitant la transcription manuelle. Les méthodes et techniques mises au point permettent aujourd'hui un déploiement vers le traitement automatique de l'oral à grande échelle, tout en contribuant à un domaine de recherche interdisciplinaire émergeant : la linguistique des corpus oraux.

Il importe de prendre conscience que la traduction humaine est difficile et diverse, et que l'automatisation est devenue indispensable aux usagers comme aux traducteurs et interprètes. Mais l'automatisation elle-même se manifeste sous des formes variées. Après une brève présentation des outils informatisés mis à la disposition des traducteurs, on se concentrera sur les approches linguistiques et informatisées de la traduction automatique proprement dite. Cet examen fournira un éventail de critères permettant de classer les systèmes CAT existants qui seront brièvement illustrés. On essaiera enfin de montrer quelles sont les perspectives d'avenir en matière de recherche, de développement et d'expansion dans ce secteur.

Cette étude traite de l'évolution de la prosodie dans le style journalistique français, à partir de l'analyse acoustique d'archives audiovisuelles remontant aux années 1940. Un corpus d'une dizaine d'heures de parole a été examiné automatiquement, et nous nous sommes concentrés sur l'accent initial, qui peut donner une impression de style emphatique. Des mesures objectives suggèrent qu'en un demi-siècle les traits suivants ont diminué : la hauteur de voix des journalistes, la montée mélodique associée à l'accent initial et la durée vocalique caractérisant un accent initial emphatique. Les attaques de syllabes initiales accentuées, quant à elles, se sont allongées. Ce résultat suggère que les corrélats de durée de l'accent initial ont changé au cours du temps, dans le style journalistique français.

Cet article s'inscrit dans le cadre du projet PROLEX de traitement automatique des noms propres. Notre objectif, par l'exploitation de l'outil informatique, consiste, non seulement à identifier les différentes occurrences du nom propre déterminé (modifié ou non modifié), mais également, à leur affecter un type d'interprétation pertinent : référentielle, dénominative, exemplaire, métaphorique ou fractionnée. Après l'élaboration d'une typologie des emplois propriaux déterminés, il s'agit d'extraire les indices formels et lexicaux autorisant la désambiguïsation du fonctionnement référentiel et sémantique du nom propre. Après avoir isolé ces unités discriminantes (par exemple les déterminants, les adjectifs, les prédicats d'existence), on propose des grammaires locales destinées à la reconnaissance automatique.

L'objectif de cet article est de présenter une méthode de traitement automatique de la notion de domaine et des applications qu'induit cette méthode dans la recherche d'informations sur le Web. Après avoir mis l'accent sur les précautions qu'il faut prendre pour attribuer un texte à un domaine donné, on définit un domaine comme un ensemble d'hyperclasses (humain, concret, locatif, temps, action, etc.), et de classes d'objets, correspondant à la structuration de la phrase simple en prédicats et arguments. Toutes ces informations sémantico-syntaxiques figurent dans des dictionnaires électroniques de langue générale et de langues de spécialité, qui distinguent les mots simples des mots composés. On marquera les pages Web sur la base de ces dictionnaires. Une première application a permis ainsi au moteur de recherches AltaVista d'identifier automatiquement 29 langues. De même, l'identification des mots composés permet de faire des requêtes beaucoup plus précises et rapides que celles que l'on ferait en interrogeant sur les éléments lexicaux constitutifs de ces composés. Ces recherches peuvent être encore affinées grâce à la précision supplémentaire qu'apportent les mots composés complexes. Une application en grandeur réelle a pour objet la langue de la médecine, dans le cadre du projet Webling de la Communauté Européenne.

Deux approches de la constitution de corpus de textes médiévaux se dessinent depuis une dizaine d'années déjà : 1. numérisation d'éditions critiques modernes ; 2. création de transcriptions diplomatiques précises de manuscrits, éventuellement accompagnées des images des originaux. Ces approches sont en réalité plutôt complémentaires qu'opposées, car elles permettent aux chercheurs de faire le choix entre la quantité (représentativité) et la qualité (sûreté et richesse) des données en fonction de la recherche effectuée. Pour les deux types de corpus nous analysons les enjeux de l'utilisation d'une représentation normalisée du texte et de son 'ancrage' signalétique (norme XML et conventions de représentation TEI). Les problèmes méthodologiques qui se posent lors de la création et de l'exploitation des corpus de textes anciens, et leurs solutions sont aussi valables pour d'autres types de corpus linguistiques.

Le Département de linguistique appliquée de la Lessius et l'unité de recherche en linguistique variationnelle et quantitative de la K.U. Leuven ont été invités par le service public fédéral de la Justice à développer un système de gestion terminologique permettant aux traducteurs de disposer de phraséologies et de terminologies correctes, cohérentes et révisées par des experts en la matière. Il s'agit d'un système couvrant les trois langues nationales de la Belgique. A partir des quelques systèmes de gestion de terminologie actuellement utilisés dans les unités fédérales de traduction juridique est envisagé un outil construit sur un concept nouveau de terminologie phraséologique. Une méthode d'extraction de terminologies phraséologiques sert de base à une méthode expérimentale propre permettant de développer une terminologie adaptée au genre textuel spécifique des documents juridiques.

Nous présentons ici un système de repérage automatique de l'antonomase du nom propre dans des textes étiquetés. On compare tout d'abord, en décrivant les rouages du système et les méthodes et outils utilisés, les repérages manuels et automatiques, pour constater que la machine l'emporte sur le plan de la fiabilité.Après avoir indiqué en quoi les possibilités et les limites du repérage automatique influent sur le travail linguistique, on met ce travail déjà ancien (2000) en perspective avec de nouveaux outils mis à la disposition des linguistes, en particulier la possibilité de lancer une requête sur le sous-ensemble de textes catégorisés de la base Frantext.

Le recours à l'allusion par défigement lexical est un aspect de la prose journalistique qui peut faire obstacle à la compréhension de l'apprenant en langue étrangère. L'automatisation du repérage de ces allusions serait utile dans le cadre d'un système d'aide à la compréhension en ligne. A partir d'une base de données regroupant 10 500 titres d'articles de la presse américaine, nous analysons les références au fonds culturel anglo-saxon par défigement lexical. Dans le cas des allusions aux proverbes, diverses méthodes d'automatisation du repérage de ces défigements sont testées par comparaison de ces titres avec les 800 proverbes les plus courants de la langue anglaise.

Cet article s'inscrit dans le cadre d'un projet collectif de recherche linguistique sur le mot et sa glose. Comme les définitions, les gloses recueillent 'l'expérience parlée du sens'. Cette activité métalinguistique se manifeste dans les textes par des mots tels que c'est-à-dire, ou, signifier qui signent la relation de sémantique lexicale mise en jeu : équivalence avec c'est-à-dire, ou ; spécification du sens avec au sens ; équivalence avec ou, c'est-à-dire ; nomination avec dit, baptisé ; hyponymie avec en particulier, comme ; hyperonymie avec et/ou autre(s), etc.Grâce à l'existence de ces marques et des particularités de leurs configurations, un repérage automatique des gloses est envisageable. J'en décris ici la mise en ouvre, en prenant l'exemple des gloses en ou telles que 'un magazine électronique, ou webzine' et d'un environnement informatique 'pour linguistes', à savoir la base textuelle Frantext et son interpréteur de langage de requête Stella.

Le traitement informatique du langage a privilégié depuis trente ans les méthodes d’apprentissage automatique qui ont permis des avancées technologiques opérationnelles dans un nombre croissant d’applications. Celles-ci ont été rendues possibles par la disponibilité de corpus d’apprentissage, par le développement du paradigme d’évaluation (shared tasks) et par la création d’infrastructures d’évaluation de technologie. Mais les corpus doivent être de taille suffisante pour représenter la réalité linguistique et toutes les langues ne disposent pas des ressources appropriées ni des moyens pour les produire. Les expériences ont montré que la taille des données d’apprentissage peut remplacer la complexité algorithmique ou les connaissances expertes, mais a-t-on atteint les limites de ce type d’approche ?