Version classiqueVersion mobile

Formaliser les langues avec l’ordinateur : de INTEX à Nooj

 | 
Svetla Koeva
, 
Denis Maurel
, 
Max Silberztein

Deuxieme partie. Analyse de corpus

13. Modélisation linguistique et annotation des collocations : une application au lexique transdisciplinaire des écrits scientifiques

Agnès Tutin

Texte intégral

Introduction

1La modélisation linguistique des collocations pour le TAL pose des problèmes bien connus, ces unités linguistiques n’étant ni complètement figées, ni parfaitement compositionnelles sur le plan sémantique. Des expressions comme jouer un rôle, faire l’hypothèse, poser problème comportent souvent une part d’idiosyncrasie irréductible, bien qu’elles soient facilement décodables. Sur le plan syntaxique, voire morphologique, on relève souvent une certaine souplesse dans les alternances (ex : le rôle joué, l’hypothèse qu’il a faite, l’estimation des résultats…), comme pour les formes libres, alors que certaines expressions les refusent. La difficulté est alors de rendre compte à la fois des régularités – il n’est ni efficace, ni pertinent sur le plan linguistique d’être dans une logique de « listes » – et des idiosyncrasies, toujours possibles, aux plans syntaxique et sémantique.

  • 2 Cette recherche a été réalisée dans le cadre d’un projet EMERGENCE (Région Rhône-Alpes, 2003-2005) (...)

2Dans cet article, nous nous intéressons aux expressions semi-figées apparaissant dans le lexique transdiciplinaire des écrits scientifiques, ce lexique de genre employé dans l’exposition du cadre de la recherche, de la méthode, de l’argumentation et des résultats. La modélisation et l’extraction de ce lexique dans les textes devront déboucher sur l’utilisation d’outils pédagogiques d’aide à la rédaction scientifique en langue seconde2. Le codage linguistique proposé doit à la fois rendre compte des propriétés linguistiques généralisables et utiles pour l’aide à la rédaction, associées à des grammaires TAL permettant d’en extraire les occurrences. La base de collocations extraite des écrits scientifiques sera ensuite utilisée dans un outil d’aide à la rédaction.

3Après avoir précisé notre objet linguistique, les collocations transdisciplinaires des écrits scientifiques, nous présentons une typologie sémantique des noms et verbes, essentiellement basée sur des propriétés linguistiques. Nous exposons ensuite le codage des propriétés linguistiques et leur mise en œuvre à l’aide de la méthode du lexique-grammaire développée dans INTEX (Silberztein 1999). Nous évaluons enfin les performances de ces données linguistiques et leur implémentation sous forme de transducteurs et montrons comment les exemples annotés dans les textes peuvent à leur tour servir à renseigner les informations syntaxiques sur les collocations.

I. Les collocations du lexique transdisciplinaire des écrits scientifiques

1. Le lexique transdisciplinaire des écrits scientifiques

4Dans la lignée des travaux de Phal (1971), nous définirons le lexique transdisciplinaire des écrits scientifiques comme le lexique partagé par la communauté scientifique mis en œuvre dans la description et la présentation de l’activité scientifique. Ce lexique peut être considéré comme un lexique de genre, n’intégrant pas la terminologie du domaine, mais renvoyant aux concepts mis en œuvre dans l’activité scientifique. Il transcende donc les domaines à l’intérieur d’une même famille de pratiques scientifiques, par exemple les sciences expérimentales, et présente un noyau commun significatif entre disciplines. Cette notion a été abordée avec des acceptions légèrement différentes par plusieurs chercheurs.

5Dans le cadre du « Français sur Objectifs spécifiques », Phal (1971), dans le sillage de Gougenheim et de son « français fondamental » (Gougenheim et al. 1964), définit le VGOS (« Vocabulaire Général d’Orientation Scientifiques ») comme le lexique « commun à toutes les spécialités [qui] sert à exprimer les notions élémentaires dont elles ont toutes également besoin […] et les opérations intellectuelles que suppose toute démarche méthodique de la pensée (hypothèse, mise en relation, déduction et induction) » (Phal 1971 : 9). Il constitue ainsi un lexique de référence de 1 200 termes en appliquant des méthodes statistiques et des filtres linguistiques sur un corpus de 1 794 500 mots extraits de manuels scientifiques du secondaire (Mathématiques, Chimie et Sciences naturelles). Le VGOS se présente comme une liste alphabétique de mots pleins et de mots grammaticaux, accompagnée d’indices de fréquence, et pour certains éléments de quelques éléments sémantiques et syntaxiques. Le lexique n’est malheureusement pas organisé par champ sémantique, bien que certaines pistes en ce sens soient suggérées dans l’ouvrage.

  • 3 Les mots sélectionnés dans la liste apparaissent plus de 100 fois, au moins dans 10 sous-domaines e (...)

6Toujours dans une perspective de didactique des langues secondes, mais en anglais dans le cadre de l’« English for Academic Purposes », Coxhead (2002) définit un noyau lexical « académique », the « Academic Word List », commun à de nombreuses disciplines scientifiques. Cette liste de 2 000 mots, élaborée à partir d’une rigoureuse étude statistique et organisée par zones de fréquence, est extraite d’un corpus de 3,5 millions de mots constitués d’écrits scientifiques et de manuels dans les domaines des sciences humaines et arts, économie, droit et biologie3. La méthode présente néanmoins selon nous des limites, puisque, d’une part, la polysémie n’est pas traitée, d’autre part les expressions polylexicales ne sont pas repérées. Enfin, comme dans le VGOS, il n’y a pas réellement d’approche notionnelle.

7Enfin, Mojca Pecman (Pecman 2004), comme nous, s’intéresse spécifiquement à la phraséologie de la « Langue Scientifique Générale » qu’elle définit comme « Pratique langagière spécifique à une communauté de discours composée de chercheurs en sciences exactes dont les objectifs communicatifs poursuivis émanent des préoccupations partagées par des scientifiques à travers le monde et indépendamment de leurs spécificités disciplinaires » (Pecman 2004 : 128). Son objet est donc plus étroit que le nôtre puisqu’il porte plus spécifiquement sur les sciences exactes et la communauté des chercheurs. Elle s’intéresse dans une perspective contrastive (anglais-français) à une série d’unités phraséologiques (UP) (incluant collocations et expressions plus figées) qu’elle repère manuellement, en s’aidant de techniques statistiques, dans un corpus aligné de 84 000 mots. Le traitement syntaxique des UP reste assez sommaire, mais une riche description notionnelle est proposée à partir d’une ontologie de 125 concepts mis en relation, qui doit permettre un accès onomasiologique interlangue dans l’optique de l’aide à la rédaction. Par ailleurs, comme nous le visons dans notre projet à plus long terme, les UP du français et de l’anglais sont mises en correspondance. L’approche notionnelle proposée par Pecman nous paraît tout à fait intéressante. Elle permet d’accéder aux unités phraséologiques via une ontologie détaillée. Par exemple, il est possible d’accéder aux expressions liées au nom hypothèse par le concept de scientificité auquel est également associé théorie. En outre, des schémas collocationnels sous forme linéaire sont proposés pour rendre compte des classes lexicales récurrentes dans les UP. Par exemple, sous la notion Méthode, on a le schéma : [élaborer/mettre au point] une [méthode, technique] mis en correspondance avec le schéma anglais to [develop/devise] a [technique/method]. Cependant, il nous semble que l’approche notionnelle pourrait être affinée pour permettre un accès (informatisé) plus ciblé et plus direct aux UP à la fois par le biais du collocatif (le verbe dans notre exemple, relevant du concept « design » de l’ontologie) et la base (relevant du concept « méthode »). L’indexation à l’aide d’un concept unique conduit à de très longues listes d’UP, classées par ordre alphabétique (un classement syntaxique simple faciliterait déjà grandement la lecture).

  • 4 Il faudra ainsi créer un lexique transdisciplinaire des sciences expérimentales, des sciences humai (...)
  • 5 On pourra, par exemple, le rencontrer fréquemment dans le genre journalistique.

8Le lexique de genre auquel nous nous intéressons relève de tous les types d’écrits scientifiques (articles, manuels, monographies), tant dans les sciences expérimentales que les sciences humaines. Très pragmatiquement, nous avons considéré comme relevant du lexique transdisciplinaire des expressions que l’on rencontre indépendamment de la discipline dans notre corpus d’écrits scientifiques (Cf. section 2.2.2). Ceci exclut d’emblée tout le lexique lié à la quantification des résultats, extrêmement productif dans la plupart des disciplines expérimentales, mais pratiquement absent des sciences humaines « spéculatives » comme la linguistique4. Par ailleurs, faut-il intégrer dans le lexique transdisciplinaire le lexique abstrait, fréquent dans nos écrits scientifiques, mais non spécifique à ce genre ?5 Les applications envisagées à moyen terme, la traduction et l’aide à la rédaction, plaident pour leur intégration.

9Pour illustrer ce lexique et les difficultés à en déterminer les contours, nous examinerons un exemple. Dans l’extrait suivant, un résumé d’article économique, nous avons surligné les lexies relevant, selon nous, de ce lexique transdisciplinaire que l’on peut rencontrer aussi bien dans les écrits scientifiques de sciences humaines que dans les écrits de sciences « dures ». Les lexies relevant du lexique méthodologique propre à ce champ scientifique sont soulignées. Les autres lexies relèvent, soit de la langue générale, soit de la terminologie du domaine étudié.

10Ce résumé est particulièrement riche en lexique scientifique transdisciplinaire, ce qui n’est pas surprenant étant donné sa coloration fortement théorique. Les collocations, que l’on pourrait rencontrer dans tout type d’écrit scientifique, y sont largement représentées : poser le problème de, réaliser des comparaisons, la difficulté joue, disposer de données, utiliser une procédure, obtenir des résultats, remettre en question les évaluations, …

11Certaines expressions paraissent propres aux pratiques scientifiques de la statistique économique : panel, données longitudinales, réponse polytomique sans renvoyer cependant aux référents extérieurs étudiés. Les autres lexies relèvent du lexique général comme du, enfant, arrivée, ou du lexique socio-économique (coût, aisance financière, agents, ménages). Bien entendu, la distinction entre lexique méthodologique « transdisciplinaire » et langue générale est assez délicate à opérer. Des mots abstraits comme préférence ou niveau doivent-ils par exemple être intégrés dans le lexique transdisciplinaire ? Dans le contexte, ils n’expriment par une activité scientifique du chercheur (contrairement au terme hétérogénéité qui est la conceptualisation que le chercheur opère de la situation) mais renvoient à des référents extérieurs. Par ailleurs, certains termes du lexique transdisciplinaire se spécialisent dans certains domaines − par exemple, le nom cas, en médecine renvoie à la pathologie d’un individu – et seront considérés comme relevant du lexique méthodologique spécialisé. Comme nous travaillons dans ce projet sur les expressions polylexicales comportant un nom et un verbe (V-N : jouer un rôle, N-V : l’analyse corrobore, V-Prep-N : conduire à une impasse), le repérage du lexique transdisciplinaire est cependant assez aisé, la co-présence du verbe facilitant la désambiguïsation du nom.

Figure 1 : Le lexique transdisciplinaire dans un résumé d’article d’économie théorique

Figure 1 : Le lexique transdisciplinaire dans un résumé d’article d’économie théorique

2. Les collocations du lexique transdisciplinaire des écrits scientifiques

a. Définir les collocations

  • 6 Mais pas seulement : dans fort comme un turc, on a bien deux éléments (fort et comme un turc) bien (...)

12Dans le cadre de cette étude, nous ne nous intéressons pas aux mots isolés du lexique transdisciplinaire, mais aux collocations construites autour d’un nom et d’un verbe. Nous avons opté pour une définition assez étroite de la notion de collocation dans la lignée des travaux de Haussmann (1989) et Mel’čuk (1998) (Cf. aussi Heid (1994), Tutin et Grossmann (2002)). Nous considérons comme collocations : (a) des expressions binaires, constituées de deux éléments linguistiques, généralement deux unités lexicales6, (b) tendant à souvent apparaître ensemble, (c) liées par une relation syntaxique, (d) dont un élément, la base, est sémantiquement transparent et prédictible,(e) dont l’autre élément, le collocatif, est moins prédictible et dépend sémantiquement du premier.

13Par exemple, dans jouer un rôle, rôle conserve sa fonction sémantique habituelle (base) alors que jouer est plus difficilement prédictible (c’est le collocatif). Les collocations peuvent bien entendu se superposer dans les phrases. Dans ce paramètre joue un rôle clé, deux collocations sont en présence et se superposent : jouer un rôle et rôle clé. En outre, la collocation peut comporter un syntagme figé (qui ne sera pas lui-même considéré comme collocation, mais comme unité lexicale complexe) comme mettre en évidence dans mettre en évidence un point.

14Dans notre domaine, comme dans d’autres champs sémantiques comme les émotions (Grossmann & Tutin, à paraître), les collocations lexicales « restreintes » sont parfois difficiles à distinguer des combinaisons libres qui sont simplement gouvernées par des restrictions de sélection sémantique. Ici aussi, le degré de figement sémantique s’appréhende dans un continuum. Si jouer un rôle semble manifester une forte idiosyncrasie (*jouer une fonction), tel n’est pas le cas de examiner un (cas+paramètre+élément+…). Nous avons adopté ici aussi un point de vue pragmatique et intégré dans notre étude toutes les associations N-V du lexique transdisciplinaire utiles pour la rédaction scientifique.

b. Etude linguistique de corpus

15Les propriétés linguistiques des collocations du lexique transdisciplinaire ont été étudiées à partir d’observations effectuées sur corpus. Deux corpus d’écrits scientifiques ont été utilisés :

  • le corpus EMERGENCE, corpus d’articles scientifiques et rapport de recherche dans les domaines de la médecine, linguistique, linguistique informatique, en français et anglais. Le corpus est en partie aligné. Il contient plus de 150 000 mots et est appelé à croître.
  • le corpus KIAP, développé par l’équipe de Kjersti Flöttum de l’Université de Bergen, dans le cadre du projet KIAP7 comporte des articles scientifiques de linguistique, médecine et économie en français, anglais et norvégien. Seule la partie française (contenant 150 articles), qui comporte à peu près un million de mots, a été analysée.
  • 8 Par exemple, technologie ne renvoie pratiquement jamais dans notre corpus à l’élaboration d’un prod (...)

16Dans un premier temps, nous avons repéré les collocations les plus significatives du corpus, en extrayant les collocations verbales comprenant les noms les plus fréquents du corpus (Cf. aussi Bloquet 2004). Les noms liés à la description de l’activité scientifique (Nscient désormais) ont été retenus, y compris les noms liés au lexique abstrait général. Une désambiguïsation manuelle, parfois fastidieuse, a dû être opérée pour écarter les noms qui avaient une faible fréquence comme noms transdisciplinaires ou étaient intégrés à des unités polylexicales8.

17Les associations verbales liées à l’activité scientifique ont été repérées dans un second temps, manuellement, à partir du pivot nominal dans des structures de type Nscient V (Ex : cet exemple illustre), V Nscient (Ex : faire l’hypothèse, mener une analyse), V Prep Nscient (Ex : procéder à une analyse). Le traitement manuel est ici délibéré, puisque nous voulions observer toutes les alternances syntaxiques, voire morphologiques, produites dans les textes, de façon à pouvoir en modéliser les propriétés pour l’extraction et l’annotation. Comme le tableau 1 l’illustre, plusieurs types de variations se font jour (Cf. aussi Breidt & Segond 1995 ; Haddara 2004) : (a) morphologiques (morphologie grammaticale et lexicale), (b) distributionnelles (liées essentiellement à l’insertion de modifieurs), (c) alternances syntaxiques, certaines étant limitées à un spectre de verbes très réduit (comme la construction pronominale).

Tableau 1 : Principaux types de variations observés pour les collocations verbales composées de type V-N

Tableau 1 : Principaux types de variations observés pour les collocations verbales composées de type V-N

18Le degré de variation dépend bien entendu des collocations, certaines présentant un fort degré de figement. Par exemple, la collocation faire problème (dans le sens de « constituer un problème ») n’apparaît pas dans une relative ou une phrase passive : cette analyse fait problème ; *l’analyse que le problème fait ; *le problème est fait par l’analyse). D’une manière générale néanmoins, les collocations observées semblent manifester une assez grande souplesse au plan syntaxique. On remarquera cependant, comme on le verra en 4.2, que certaines collocations révèlent une affinité réelle pour certaines constructions syntaxiques.

19Au plan sémantique, comme dans d’autres champs lexicaux comme les émotions (Tutin & Grossmann, à paraître), les collocations présentent également une certaine motivation dans les associations. On repère ainsi des bases comportant des sèmes communs qui sélectionnent certains collocatifs :

  • les noms extensifs (Cf. Flaux et van de Velde 2000) comme analyse, estimation, étude, projet, recherche se combinent avec le support faire et ses variantes : effectuer, mener, procéder à…, ainsi que les variantes « phasiques » (par exemple, commencer, entamer, lancer…).
  • les noms qui correspondent à des objets examinés par l’activité scientifique comme paramètres, éléments, données, point… sélectionnent des verbes du champ sémantique de l’étude : étudier, examiner, analyser…
  • les noms qui expriment une problématique comme problème, question, cas se combinent avec poser, soulever et résoudre.
  • 9 Cf. MEL’CUK & WANNER (1996) et GROSSMANN & TUTIN (à paraître) sur les noms d’émotions.

20Ces exemples sont légion et inclinent à penser que des mécanismes généraux comme des restrictions de sélection sémantique peuvent rendre compte de ces associations (Cf. aussi Cavalla & Grossmann 2005 sur un sous-ensemble de NScient). Cependant, comme dans la langue générale9, des associations idiosyncrasiques surgissent, difficiles à prédire à partir des propriétés sémantiques générales : jouer un rôle, mais pas *jouer une fonction, donner un exemple et présenter un exemple mais pas *donner un cas alors que présenter un cas est possible.

21Deux options sont alors envisageables pour rendre compte des associations. La première est d’affiner l’étude des associations de façon à intégrer les idiosyncrasies, mais cette perspective apparaît particulièrement coûteuse. On préférera expliquer les associations régulières à l’aide de traits sémantiques génériques et noter au cas par cas les spécificités en reconnaissant la part « anomaliste » de certaines zones du lexique.

22Les observations effectuées sur les collocations des Nscient nous ont ainsi conduite à adopter un traitement linguistique qui permette à la fois de rendre compte des régularités, point de vue essentiel pour le traitement automatique et dans une perspective pédagogique (cela permet de justifier les associations pour les apprenants), tout en permettant de consigner les anomalies et la souplesse de la variation morphologique et syntaxique.

II. La modélisation linguistique des collocations

23La modélisation linguistique développée, de type lexicographique, poursuit un objectif pratique. Notre codage doit simultanément répondre à plusieurs besoins, parfois contradictoires :

24L’aide à la rédaction. Dans cette perspective, l’accès doit être onomasiologique, comme dans un thésaurus (Voir Pecman 2004). Cela suppose donc une organisation du lexique par classes sémantiques, en évitant cependant un trop grand degré d’abstraction qui serait difficile à manipuler pour l’usager non spécialiste.

25L’extraction et l’annotation des données sur corpus à partir de techniques de TAL. L’utilisation de telles techniques suppose une formalisation fine du lexique, permettant de rendre compte des généralisations dans les associations et des propriétés syntaxiques des collocations.

26Un classement sémantique applicable au français et à l’anglais. L’étude effectuée dans un premier temps sur le français doit permettre d’annoter les collocations dans les textes qui seront mises en correspondance avec la contrepartie anglaise alignée. Cet objectif ne sera pas davantage examiné dans cet article.

1. Les modèles lexicographiques de Hausmann & Mel’čuk

27Plusieurs modèles formels ont été proposés pour le codage des collocations. Nous n’exposerons ici que les modèles dont nous nous sommes inspirée, et qui relèvent de la tradition « continentale » sur les collocations (Williams 2004).

  • 10 C’est Hausmann qui introduit d’ailleurs la notion de « base » et de « collocatif ».

28Hausmann (1989) propose un modèle de dictionnaire de collocations dont les articles sont construits à partir de la base10. La typologie présentée s’articule autour des différents types de patrons syntaxiques (associations N-V, V-N, A-N, etc.), mais ne présente aucun traitement sémantique. Dans notre projet, nous conserverons les caractérisations syntaxiques, indispensables pour l’extraction informatique des données, mais ajouterons un traitement sémantique indispensable pour la perspective de l’aide à la rédaction.

  • 11 Signalons aussi la base élaborée par Th. Fontenelle (1997).

29Mel’čuk et ses collègues ont élaboré un modèle sophistiqué de dictionnaire combinatoire (Mel’čuk et al. 1995) qui a déjà donné lieu à quatre éditions papier et connu des adaptations « simplifiées » tout à fait intéressantes (le DAFLES (Selva et al. 2004), le DiCo de Polguère (Polguère 2000))11. C’est à notre connaissance le modèle le plus abouti et le plus riche, bien qu’assez complexe au niveau du métalangage employé. Mel’čuk caractérise les collocations à l’aide de fonctions lexicales syntagmatiques (désormais FL) qui caractérisent la relation syntaxique et sémantique liant la base au collocatif. La FL bien connue Magn associe une base comme travailleur à un collocatif adjectival comme acharné par une relation sémantique de type « intensifieur ». Pour une base nominale, c’est un intensifieur adjectival qui est ici attendu. La FL Opern lie le nom prédicatif au verbe support, verbe « vide » qui a une fonction purement syntaxique de support, comme une sorte d’auxiliaire. Par exemple, la collocation procéder à une estimation sera codée Oper1, car le premier actant d’estimation, l’agent, est sujet du verbe support. Le modèle des FL développé dans le cadre du DEC paraissait a priori bien adapté à notre objectif dans la mesure où le codage propose une analyse syntaxique et sémantique fine de la relation qui lie la base et le collocatif. Cependant, il ne s’est pas révélé parfaitement approprié aux objectifs de notre projet. Tout d’abord, si les FL permettent de caractériser aisément un grand nombre de collocations dans la langue générale, elles paraissent en partie inadaptées à ce lexique de genre, comme l’a montré Bloquet (2004). Par exemple, il semble qu’aucune FL standard ne puisse rendre compte d’associations très courantes comme les suivantes recueillir, collecter, relever, des données, ou examiner, analyser, étudier des données. Par ailleurs, le codage du DEC, bien que très formel, n’est pas complètement explicite au plan des relations syntaxiques. Par exemple, le statut catégoriel et les propriétés syntaxiques des collocatifs sont souvent implicites et ne sont pas systématiquement codés (Cf. Tutin 1997). Cela rend leur implémentation difficile pour une annotation automatique dans les textes. De ce point de vue, la perspective adoptée dans le cadre du lexique-grammaire des expressions figées (Gross 1975) apparaît mieux adapté, puisque ce modèle recense systématiquement les propriétés syntaxiques des constituants d’une « expression figées ».

2. Le modèle lexical proposé

30Dans le cadre de notre projet, nous avons retenu les principes développés dans le DEC : les associations lexicales seront codées à partir de la base, en l’occurrence le nom, et seront caractérisées à la fois du point de vue syntaxique et du point de vue sémantique. Nous remplaçons les étiquettes des FL par un typage sémantique et syntaxique adapté à notre lexique de genre, permettant de prédire en partie les associations productives et leurs propriétés syntaxiques pour l’annotation automatique des expressions dans les corpus.

a. La typologie des Nscient

31Pour rendre compte des associations entre NScient et verbes, nous avons dégagé une typologie sémantique des noms, basée sur des critères essentiellement linguistiques. Nous voulions éviter l’emploi de classements ontologiques comme dans Wordnet (Felbaum 1998) ou Pecman (2004) pour deux raisons : a) Les critères employés pour les classements ontologiques sont exclusivement notionnels, et ne nous semblent pas, de ce fait, facilement reproductibles ; des classements basés en partie sur des critères formels (lexicaux, morphologiques, syntaxiques) permettent généralement une plus grande cohérence dans le traitement. b) Les classements ontologiques ne sont pas nécessairement faciles à relier aux formes linguistiques du fait de leur abstraction. Ils ne constituent donc pas toujours des accès onomasiologiques souhaitables pour une application comme la nôtre qui vise l’aide à la rédaction.

32La typologie des Nscient est établie de façon empirique à l’aide de critères morphologiques, syntaxiques et sémantiques à la manière de Flaux et van de Velde (2000) à partir des listes des noms les plus fréquents du corpus. Par exemple, les noms de processus scientifique (analyse, application, choix, conception, développement, étude, évaluation, projet, recherche, test, traitement, travail, utilisation) sont des noms extensifs (au sens de Flaux et Van de Velde) qui connaissent des phases. Ils se combinent avec des prépositions comme lors de, au début, … des verbes comme commencer, entreprendre et la plupart du temps avec des verbes comme faire. Les noms d’objets construits par l’activité scientifique (analyse, application, approche, démarche, définition, idée, hypothèse, méthode, modèle, solution, système, technique, technologie, théorie, test) renvoient à des concepts (souvent uniquement abstraits et élaborés) fabriqués par l’activité scientifique. Ils n’ont pas d’existence en dehors de l’agent qui les « fabrique ». Ces noms ne sont pas extensifs et se combinent avec des verbes comme élaborer, préconiser, choisir, avoir.

33Sept principales classes de noms sont utilisées, qui se subdivisent à nouveau en sous-classes. Le tableau 2 présente ces classes, donne des exemples de noms, et indique les propriétés linguistiques associées aux classes.

Tableau 2 : Les principales classes de NScient

Tableau 2 : Les principales classes de NScient

34La question de la polysémie est réglée par la double (ou multiple) appartenance d’un nom à une classe sémantique. Par exemple, le nom analyse est à la fois le processus (Ex : L’analyse s’est déroulée en trois phases) et le résultat (l’objet « fabriqué ») (Ex : L’analyse montre que…).

b. Les classes de verbes

35Comme on l’a mentionné plus haut, la typologie des noms doit pouvoir être utilisée pour un accès onomasiologique simple, de façon à prédire les associations lexicales avec les verbes.

  • 12 De nombreuses étiquettes sont proches des concepts proposés par Pecman (2004).

36Les FL proposées dans le modèle du DEC paraissant peu adaptées à ce lexique de genre, nous avons opté pour l’emploi d’étiquettes regroupant des classes de quasi-synonymes établies empiriquement à partir des classes de noms, un peu à la manière des Synsets de Wordnet (Felbaum 1998). Par exemple, la classe FAIRE associée aux noms de processus regroupe les verbes suivants : faire/effectuer/procéder à/mener/réaliser/conduire. Une trentaine de classes de verbes sont ainsi créées, comme ETUDIER, CHOISIR, OPINION_FAVORABLE, INCLURE12, etc. Nous donnons dans le tableau 3 quelques exemples de ces classes.

37Bien entendu, tous les verbes ne peuvent pas être intégrés à des classes de quasi-synonymes, parce que dans notre domaine, ils apparaissent isolés. Il serait néanmoins indispensable de rattacher ces verbes à des classes plus larges, besoin qui apparaîtra également pour l’accès onomasiologique d’outil d’aide à la rédaction. On pourrait ainsi regrouper les verbes « phasiques » (COMMENCER, CONTINUER, FINIR), les verbes d’opinion (OPI- NION_FAVORABLE, OPINION_DEFAVORABLE, CHOISIR, etc.), les verbes statiques (INCLURE, AVOIR, ETRE), etc. Il est également indispensable d’envisager un lien à la classe nominale, la plupart des verbes mentionnés ici pouvant également apparaître sous forme de nominalisation : décriredescription, présenterprésentation, étudierétude.

Tableau 3 : Quelques exemples de classes de quasi-synonymes pour les verbes

Tableau 3 : Quelques exemples de classes de quasi-synonymes pour les verbes

c. Les associations entre noms et verbes

38La typologie proposée permet, en partie, de prédire les associations autorisées. Par exemple, la classe des noms de processus se combine très naturellement avec les classes verbales COMMENCER, FAIRE, CONCEVOIR, PORTER_SUR, SE_DEROULER, DECRIRE, PROPOSER. On aura ainsi :

FAIRE ⇔ ‘noms de processus’ :
{faire, mener, procéder à, conduire, effectuer, … } {une étude, une analyse, une estimation, … }

39On peut donc ainsi associer par défaut une série de collocatifs verbaux à une classe de noms et à une sous-classe sur des bases sémantiques. Ces généralisations sont intéressantes à plusieurs titres. Tout d’abord, elles expliquent en quelque sorte la motivation sémantique des associations. Par ailleurs, elles permettent souvent de rendre compte d’associations potentielles entre noms et verbes qu’une étude sur corpus, aussi étendue soit-elle, ne permet pas systématiquement de relever. Cependant, ces associations par défaut ne peuvent naturellement pas parfaitement rendre compte de toutes les collocations verbales. D’une part, elles sur-génèrent en proposant des associations indésirables (par exemple, ?conduire la conception). D’autre part, elles sous-génèrent en ne rendant pas compte de certaines associations spécifiques (par exemple, jouer un rôle, faire problème).

40Les associations verbales doivent donc pouvoir être générées par association, puis corrigées et complétées au cas par cas.

3. Les propriétés syntaxiques des collocations

  • 13 « The centrality of lexis means that the teaching of traditional grammar structures should play a l (...)

41Comme nous l’avons signalé plus haut, les collocations connaissent des variations syntaxiques importantes et une modélisation linguistique fine de ces expressions passe nécessairement par un codage exhaustif des propriétés syntaxiques. La prise en compte de l’aspect syntaxique est incontournable puisque les collocations abolissent précisément la traditionnelle dichotomie entre syntaxe et lexique (les collocations constituent une mise en œuvre syntaxique du lexique), point de vue que l’on retrouve dans la notion de lexique-grammaire de Gross (1975) ou chez Lewis avec la lexical approach (2000)13. Cependant, bien que l’information syntaxique sur les « patrons syntaxiques privilégiés » des collocations doive absolument figurer dans des outils pour apprenants, le codage exhaustif des propriétés syntaxiques n’est pas effectué a priori dans notre application. Ce traitement, s’il est effectué manuellement, nécessite en effet une étude de corpus fastidieuse impossible à réaliser dans le cadre de ce projet. Comme nous le verrons en 4.2, c’est précisément à partir du repérage des expressions sur corpus que l’attribution des propriétés syntaxiques pourra être effectuée. Dans un premier temps, seule une information minimale, le patron générale de la collocation (structure V-N ou N-V) et le caractère +/- massif des NScient, sera indiquée dans les entrées lexicales.

III. Annotation des collocations : implémentation et évaluation

1. Implémentation

a. Codage du lexique

42Les entrées lexicales organisées selon les principes mentionnés à la section précédente sont codées dans une base de données relationnelle. Les noms, auxquels on associe une classe sémantique et le caractère + /- massif, sont reliés aux collocatifs verbaux qui peuvent les accompagner. La figure 2 ci-dessous donne l’exemple du nom élément. Ce nom appartient à la classe des « observables », n’est pas massif et se rencontre au pluriel. Le nom apparaît dans des collocations verbales du type convoquer des éléments, distinguer des éléments, contenir des éléments, identifier des éléments…

Figure 2 : Le nom élément et ses collocatifs verbaux

Figure 2 : Le nom élément et ses collocatifs verbaux

43Le type sémantique du sujet (N1) est indiqué (par exemple, la classe « contenir_N » a un sujet non humain), la classe sémantique du verbe, le verbe, si le nom base est introduit par un déterminant ou non (par exemple, faire problème), si un troisième actant peut apparaître et la préposition qui l’introduit (par exemple, distinguer un élément d’un autre), si une FL peut être associée au collocatif.

44Bien entendu, pour l’application d’aide à la rédaction, une présentation plus « conviviale » devra être envisagée.

b. Annotation syntaxique des collocations : le lexique-grammaire d’INTEX

45Les collocations sont extraites et annotées dans les corpus par le biais de transducteurs associés à des classes syntaxiques de collocations à l’aide de la fonctionnalité « lexique-grammaire » développée dans le logiciel INTEX de Silberztein (1993, 1999). A partir de la base de données lexicales, on extrait une table des collocations ayant un comportement syntaxique homogène, comme celle qui apparaît dans le tableau 4.

Tableau 4 : Table extraite de la base lexicale et manipulée par le métagraphe des constructions de type V-N

Tableau 4 : Table extraite de la base lexicale et manipulée par le métagraphe des constructions de type V-N

46Les champs des enregistrements sont reliés à des transitions apparaissant dans des métagraphes qui génèrent des graphes intégrant la coprésence des éléments des enregistrements (Roche 1993, Silberztein 1999). Cela permet de réaliser un lexique-grammaire associant des propriétés lexicales à des comportements syntaxiques. Le métagraphe utilisé, dont une petite partie est présentée ci-dessous (et associé à la table présentée ici), permet d’analyser un ensemble de constructions des collocations V-N.

Figure 3 : Un extrait du métagraphe permettant d’analyser les collocations de structure V-N

Figure 3 : Un extrait du métagraphe permettant d’analyser les collocations de structure V-N

47Le métagraphe traite les principales alternances syntaxiques pour les collocations V-N : la construction directe, la construction relative, la construction passive standard ou réduite (Ex : des données analysées), la construction pronominales passives (Ex : ces données s’analysent difficilement), des pseudo-constructions passives (Ex : les données restent à analyser, les données sont très complexes à analyser). Un contrôle est effectué sur le nombre du nom (variables @B et @C ; voir les colonnes correspondantes dans le tableau 4) et sur l’accord en nombre entre le nom et le verbe dans le cas des constructions passives.

48En sortie, une annotation XML des collocations est proposée à partir du verbe. Elle comporte une information sur la construction syntaxique de la collocation, la forme canonique de la collocation, le type sémantique du verbe, le type sémantique du verbe, le type sémantique du nom, le lemme du nom. Ces informations sont générées automatiquement à partir des chemins parcourus et des informations contenues dans la table. Quelques exemples de sorties annotées sont présentés ci-dessous.

49D’autres éléments pourraient être ajoutés à ces traitements. D’une part, on pourrait étendre les constructions syntaxiques étudiées, en intégrant par exemple les constructions impersonnelles (assez peu productives toutefois pour nos expressions). Il serait également envisageable d’affiner les sorties en indiquant le nombre du nom base, ou la présence et le type des modifieurs. Ces informations pourraient par la suite être intégrées dans la base lexicale d’aide à la rédaction.

Figure 4 : Exemple de collocations V-N annotées

Figure 4 : Exemple de collocations V-N annotées

2. Evaluation de la méthode

  • 14 Test de rappel effectué sur les 100 premières occurrences du texte. Test de précision opéré sur 296 (...)

50La méthode mise au point a été évaluée sur un sous-ensemble du corpus. Des mesures de précision et de rappel ont été effectuées en ce sens. Cette technique, bien que rustique, donne de bons résultats puisqu’on obtient 97 % de rappel et 87,5 % de précision14.

51Plusieurs sources d’erreur se font jour.

52Les ambiguïtés catégorielles, qui sont mal résolues du fait de l’absence d’étiquetage morphosyntaxique. Ainsi, analyse peut être considéré comme un nom, alors qu’il s’agit d’un verbe dans certains contextes.

53L’analyse erronée de certaines unités polylexicales (par exemple, point de vue) qui favorisent une décomposition mot par mot au lieu d’analyser l’unité dans son entier.

54Des contraintes trop relâchées sur les transducteurs qui tendent à suranalyser.

55Une étape de désambiguïsation morphosyntaxique, accompagnée d’un travail de modélisation linguistique fine des constructions, devrait sensiblement améliorer les performances de la technique.

56En outre, le corpus annoté permet d’enrichir automatiquement les informations de la base lexicale. A partir des sorties vérifiées manuellement, des indices de fréquence et des informations syntaxiques peuvent être automatiquement extraits. Par exemple, nous avons appliqué les transducteurs au corpus KIAP (1 millions de mots) et avons obtenu 184 occurrences de collocations de type V-N comportant le nom hypothèse. Les fréquences d’occurrence et la répartition des constructions syntaxiques pour les collocations V-N les plus fréquentes sont consignées dans le tableau suivant.

57Les résultats obtenus montrent que peu de collocations (faire-hypothèse, tester-hypothèse, rejeter-hypothèse) présentent de fortes fréquences alors que d’autres expressions sont très peu productives. La construction directe est très largement dominante, mais des alternances se manifestent pour certaines collocations (rejeter-hypothèse au passif dans un tiers des occurrences, formuler-hypothèse apparaissant à la forme pronominale passive). Pour des collocations plus rares, il est envisageable de proposer des repérages par classes sémantiques, permettant de mettre en évidence les associations sémantiques les plus productives. On pourrait ainsi calculer la fréquence des verbes d’opinion défavorable (rejeter mais aussi contester, récuser, réfuter) par rapport à d’autres dimensions sémantiques en association avec hypothèse.

Tableau 5 : Fréquence et répartition syntaxique des collocations de type V-N avec hypothèse

Tableau 5 : Fréquence et répartition syntaxique des collocations de type V-N avec hypothèse

58Les informations liées à la fréquence des occurrences et des alternances syntaxiques pourront être exploitées dans l’outil d’aide à la rédaction. Elles nécessitent néanmoins la constitution de très gros corpus, de l’ordre de plusieurs millions de mots. Il serait ainsi judicieux de présenter pour une classe sémantique donnée les expressions les plus courantes, et les structures syntaxiques possibles associées.

Conclusion et perspectives

59Comme dans d’autres champs sémantiques de la langue générale, les collocations des noms scientifiques répondent à de nombreuses régularités, tant au plan syntaxique qu’au plan sémantique. Si le genre linguistique apparaît trop marqué pour qu’un modèle générique comme celui des fonctions lexicales du DEC puisse rendre compte de ces associations, une modélisation plus spécifique, axée sur des propriétés linguistiques, peut être élaborée pour décrire les associations collocationnelles productives. Cette modélisation peut ensuite être exploitée avec profit pour annoter les collocations dans les corpus, permettant ainsi de constituer une base d’exemples comportant des informations sur la fréquence de certaines expressions et leurs spécificités syntaxiques.

60Plusieurs prolongements de cette étude sont actuellement envisagés. Il apparaît bien entendu indispensable d’étendre dans un premier temps le lexique étudié, en élargissant les bases nominales et les patrons syntaxiques (N de N, N-A, etc.). Parallèlement, nous souhaitons améliorer les performances de précision de l’annotation automatique en comparant les techniques d’automates couplées à une désambiguïsation préalable du corpus et une analyse syntaxique plus ambitieuse basée sur les dépendances syntaxiques (Haddara 2004). L’acquisition automatique d’informations linguistiques sur les collocations à partir de corpus annotés nous paraît également un chantier prometteur. Dans la perspective de l’aide à la rédaction (et de l’encodage lexical en général), on peut en effet mettre en doute l’utilité de longues listes de collocations si elles ne sont pas tempérées d’informations diverses comme la fréquence, le registre, le degré de spécialisation, les constructions syntaxiques privilégiées, donnant à l’usager les clés pour effectuer un choix lexical raisonné. Une réflexion de fond, expérimentations à l’appui, doit être maintenant menée sur l’accès aux associations lexicales dans le cadre de la production d’écrits.

Bibliographie

Bibliographie

BLOQUET G. (2004), Vers une modélisation des collocations verbales du lexique méthodologique dans les écrits scientifiques : application au TAL, Mémoire de DEA sous la direction d’Agnès Tutin, Université Grenoble 3 – Stendhal.

BREIDT E., SEGOND F. (1995), IDAREX : Formal Description of German and French Multi-Word Expressions With Finite State Technology, rapport technique MLTT22, Centre de recherché de Xerox, Meylan.

CAVALLA C. & GROSSMANN F. (2005), « Caractéristiques sémantiques de quelques ‘Noms scientifiques’ dans l’article de recherche en français, KIAP’s project journal Akademisk Pros », Actes de Comparing forms academic organisation, cultural identities and scientific discourse across nations and disciplines, Paris, November 15-16 2004.

COXHEAD A. (2002), « The Academic Word List : A Corpus-based Word List for Academic Purposes », in Teaching and Language Corpora (TALC) 2000 Conference Proceedings, Atlanta, Rodopi.

FELLBAUM Ch. (ed) (1998), WordNet : An Electronic Lexical Database, Cambridge, MIT Press.

FLAUX N. & VAN DE VELDE D. (2000), Les noms en français, esquisse de classement, Paris, Ophrys.

FONTENELLE Th. (1997), Turning a bilingual dictionary into a lexical-semantic database, Tübingen, Max Niemeyer Verlag.

GOUGENHEIM G., RIVENC P., MICHEA R., SAUVAGEOT A. (1964), L’élaboration du Français Fondamental (1er degré). Etude sur l’établissement d’un vocabulaire et d’une grammaire de base, Paris, Didier.

GRANGER S. (1998), « Prefabricated Patterns in Advanced EFL Writing : Collocations and Formulae », in COWIE A.P., Phraseology. Theory, Analysis, and Applications, Oxford, Clarendon Press.

GROSS M. (1975), Méthode en syntaxe, Paris, Hermann.

GROSSMANN Francis, TUTIN Agnès (à paraître), « Motivation of Lexical Associations in Collocations : the Case of Intensifiers denoting ‘Joy’ », à paraître dans Leo WANNER (ed), Festchrift in Honour of Igor Mel’čuk, Amsterdam / Philadelphia, John Benjamins.

HADDARA M. (2004), Extraction automatique des collocations verbales du lexique transdisciplinaire des écrits scientifiques par une approche de type dépendance : étude de faisabilité, Mémoire de DEA sous la direction d’Olivier Kraif et Agnès Tutin, Université Grenoble 3 – Stendhal.

HAUSMANN F. J. (1989), « Le dictionnaire de collocations », in HAUSMANN F.J., REICHMANN O., WIEGAND H.E., ZGUSTA L. (eds), Wörterbücher : ein internationales Handbuch zur Lexicographie. Dictionaries. Dictionnaires, Berlin / New-York, De Gruyter, p. 1010- 1019.

HEID Ulrich. (1994), « On Ways Words Work Together – Topics in Lexical Combinatorics », in EURALEX’94 Proceedings, Vrije Universiteit Amsterdam, p. 226-257.

LEWIS M. (ed.) (2000), Teaching Collocations, Boston, LTP.

MEL’ČUK I. (1998), « Collocations and Lexical Functions », in A. P. COWIE (ed.), Phraseology. Theory, Analysis and Applications, Oxford, Clarendon Press.

MEL’CUK I., CLAS A., POLGUERE A. (1995), Introduction à la lexicologie explicative et combinatoire, Louvain, Duculot.

MEL’ČUK I., WANNER L. (1996), « Lexical Fonctions and Lexical Inheritance for Emotion Lexemes in German », in L. WANNER (ed.), Lexical Fonctions in Lexicography and Natural Language Processing, Amsterdam / Philadelphia, John Benjamins.

PECMAN M. (2004), Phraséologie contrastive anglais-français : analyse et traitement en vue de l’aide à la rédaction scientifique, Thèse de doctorat sous la direction d’Henri Zinglé, Université de Nice Sophia Antipolis, décembre 2004.

PHAL A. (1971), Vocabulaire général d’orientation scientifique (V.G.O.S.) – Part du lexique commun dans l’expression scientifique. Paris, Didier, Crédif.

POLGUÈRE A. (2000), « Towards a theoretically-motivated general public dictionary of semantic derivations and collocations for French », in Proceedings of EURALEX’2000, Stuttgart, Heid et al. (ed.), p. 517-527.

ROCHE E. (1993), « Une représentation par automate fini des textes et des propriétés transformationnelles des verbes », in Lingvisticae Investigationes XVII : 1, Amsterdam / Philadelphia, John Benjamins Publishing Company, p. 189-222.

SELVA Th., VERLINDE S., BINON J. (2003), « Vers une deuxième génération de dictionnaires électroniques », in M. ZOCK et J. CARROLL (eds), Les dictionnaires électroniques. Traitement automatique des langues (TAL), 44.2., p. 177-197.

SILBERZTEIN M. (1993), Dictionnaires électroniques et analyse automatique de textes : le système INTEX, Masson, Paris.

SILBERZTEIN M. (1999), « INTEX : a Finite State Transducer toolbox », Theoretical Computer Science #231 : 1, Elsevier Science, p. 33- 46.

TUTIN Agnès (1997), « Coder les collocations dans un lexique formel de TALN », Revue française de linguistique appliquée, Volume II, p. 43-58.

TUTIN Agnès (2004), « Pour une modélisation dynamique des collocations dans les textes », Actes d’Euralex, Lorient, 6 au 10 juillet 2004, Université de Bretagne Sud, Willimas et al. (ed.).

TUTIN Agnès, GROSSMANN Francis (2002), « Collocations régulières et irrégulières : esquisse de typologie du phénomène collocatif », Revue Française de Linguistique Appliquée, Lexique : recherches actuelles, vol VII, juin 2002, p 7-25.

WILLIAMS G. (2003), « Les collocations et l’école contextualiste britannique », in F. GROSSMANN & A. TUTIN, Les collocations lexicales : analyse et traitement, De Werelt, Amsterdam.

Notes

2 Cette recherche a été réalisée dans le cadre d’un projet EMERGENCE (Région Rhône-Alpes, 2003-2005) piloté par le LIDILEM (O. Kraif et A. Tutin) : « Acquisition automatique d’expressions figées pour l’élaboration d’outils d’aide à la rédaction en lange seconde ».

3 Les mots sélectionnés dans la liste apparaissent plus de 100 fois, au moins dans 10 sous-domaines et n’appartiennent pas à la liste des 2 000 mots les plus fréquents de l’anglais.

4 Il faudra ainsi créer un lexique transdisciplinaire des sciences expérimentales, des sciences humaines, etc.

5 On pourra, par exemple, le rencontrer fréquemment dans le genre journalistique.

6 Mais pas seulement : dans fort comme un turc, on a bien deux éléments (fort et comme un turc) bien que le comparant ne soit pas une expression lexicalisée.

7 http://kiap.aksis.uib.no/.

8 Par exemple, technologie ne renvoie pratiquement jamais dans notre corpus à l’élaboration d’un produit dans l’activité scientifique, mais plutôt à un secteur d’activité. Système dans notre corpus est très fréquent dans des expressions comme système de retraite.

9 Cf. MEL’CUK & WANNER (1996) et GROSSMANN & TUTIN (à paraître) sur les noms d’émotions.

10 C’est Hausmann qui introduit d’ailleurs la notion de « base » et de « collocatif ».

11 Signalons aussi la base élaborée par Th. Fontenelle (1997).

12 De nombreuses étiquettes sont proches des concepts proposés par Pecman (2004).

13 « The centrality of lexis means that the teaching of traditional grammar structures should play a less important role than in the past. Recognising that every word has its own grammar, however, means that any approach based on the central role of lexis is in many ways more grammatical than in any traditional syllabus » (Lewis 2000 : 8).

14 Test de rappel effectué sur les 100 premières occurrences du texte. Test de précision opéré sur 296 occurrences.

Table des illustrations

Titre Figure 1 : Le lexique transdisciplinaire dans un résumé d’article d’économie théorique
URL http://books.openedition.org/pufc/docannexe/image/27124/img-1.jpg
Fichier image/jpeg, 88k
Titre Tableau 1 : Principaux types de variations observés pour les collocations verbales composées de type V-N
URL http://books.openedition.org/pufc/docannexe/image/27124/img-2.jpg
Fichier image/jpeg, 91k
Titre Tableau 2 : Les principales classes de NScient
URL http://books.openedition.org/pufc/docannexe/image/27124/img-3.jpg
Fichier image/jpeg, 112k
Titre Tableau 3 : Quelques exemples de classes de quasi-synonymes pour les verbes
URL http://books.openedition.org/pufc/docannexe/image/27124/img-4.jpg
Fichier image/jpeg, 34k
Titre Figure 2 : Le nom élément et ses collocatifs verbaux
URL http://books.openedition.org/pufc/docannexe/image/27124/img-5.jpg
Fichier image/jpeg, 29k
Titre Tableau 4 : Table extraite de la base lexicale et manipulée par le métagraphe des constructions de type V-N
URL http://books.openedition.org/pufc/docannexe/image/27124/img-6.jpg
Fichier image/jpeg, 66k
Titre Figure 3 : Un extrait du métagraphe permettant d’analyser les collocations de structure V-N
URL http://books.openedition.org/pufc/docannexe/image/27124/img-7.jpg
Fichier image/jpeg, 16k
Titre Figure 4 : Exemple de collocations V-N annotées
URL http://books.openedition.org/pufc/docannexe/image/27124/img-8.jpg
Fichier image/jpeg, 73k
Titre Tableau 5 : Fréquence et répartition syntaxique des collocations de type V-N avec hypothèse
URL http://books.openedition.org/pufc/docannexe/image/27124/img-9.jpg
Fichier image/jpeg, 56k

© Presses universitaires de Franche-Comté, 2007

Conditions d’utilisation : http://www.openedition.org/6540

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search