Introduction

1L’extraction terminologique constitue une étape dans une méthodologie de recherche de tendances thématiques que nous avons élaborée dans le cadre d’une thèse (Ibekwe-SanJuan, 1997). Notre objectif est d’automatiser autant que faire se peut cette étape d’extraction des termes à l’aide du logiciel INTEX (Silberztein, 1993). INTEX est un environnement linguistique permettant d’analyser morphologiquement et syntaxiquement un texte afin d’y faire divers traitements tel que la recherche de séquences de lettres, de formes, lexèmes, de catégories morphologique, l’analyse syntaxique ou encore une étude stylistique.

2Il existe actuellement des outils d’extraction des termes mais ces outils ont fait des choix de description grammaticale de l’environnement d’un terme ou de la langue de travail qui ne conviennent pas à nos besoins. Ces outils appartiennent à deux approches de l’extraction terminologique : mise à jour (FASTR, LexProTerm) ou acquisition (LEXTER, ACABIT). Bien que l’outil LEXTER (Bourigault 1994), par la démarche de l’analyse linguistique adoptée, se rapproche le plus de notre stratégie d’extraction terminologique, il ne travaille actuellement que sur le français. Or, nous travaillons sur l’anglais. ACABIT de Daille (1994) privilégie l’extraction terminologique de termes binaires. Elle fait l’hypothèse que la majeure partie de termes complexes (plus de 2 mots) sont construits à partir de termes binaires et qu’il suffira de considérer les opérations linguistiques pouvant être à l’origine de cette construction - surcomposition et insertion - pour relier le terme binaire à ses différentes variantes. Ainsi, dans une étude comparative de deux logiciels d’extraction terminologique, Savary (2001) souligne qu’à partir des exemples suivants :

permanent failure, permanent failures, permanent physical failure, permanent singlebit failure, failure is permanent. (1)

3ACABIT ne retiendra que "permanent failure", jugé le terme de base de toutes ses variantes. C’est une hypothèse trop forte dans la mesure où elle conduit le logiciel à privilégier le choix des termes binaires comme meilleurs candidats alors que les termes plus longs peuvent aussi renvoyer à des concepts d’un domaine. FASTR (Jacquemin, 1994) prône la mise à jour terminologique basée sur une ressource terminologique extérieure au corpus. Ainsi, il a besoin au départ d’un base terminologique avec les termes existants du domaine pour lesquels il recherchera des variantes en corpus. Nous pensons que cette approche peut nuire à la découverte de termes nouveaux d’une part et à la prise en compte des compositions nouvelles entre termes atomiques existants. Savary (2001) a élaboré un programme d’extraction terminologique à partir de INTEX mais il nécessite l’existence d’une ressource terminologique, à l’instar de FASTR. Il compare les séquences trouvées en corpus avec des termes déjà repérés manuellement.

4Il faut aussi souligner que l’application que nous visons - la recherche des tendances thématiques, peut être utilisée dans le cadre de la veille scientifique et technologique (VST). C’est une optique différente de celles dans lesquelles ces outils d’extraction terminologique ont été construits (acquisition terminologique : LEXTER, ACABIT), (mise à jour terminologique : FASTR, LexProterm). Nous pensons qu’une sélection des termes basée sur une comparaison avec une ressource terminologique existante aura pour incidence de chercher à ramener des phénomènes de variations observés en corpus à des formes figées, déjà répertoriées par des spécialistes du domaine. Or, en VST, c’est justement le contraire qui intéresse plus les experts. Il nous importe donc de rendre compte, par l’extraction en l’état, des phénomènes d’évolution terminologique tels qu’ils apparaissent dans le corpus. Pour toutes ces raisons, nous n’avons pas pris un extracteur de termes existant et avons cherché à automatiser cette étape grâce au logiciel INTEX. C’est un environnement linguistique ouvert dans lequel nous pouvons décrire la grammaire de ces termes, à savoir leur composition morphologique d’une part et les différents niveaux de composition d’autre part. Etant un outil ouvert, nous pensons que INTEX nous permettra de rajouter des briques de programmes pour l’adapter à nos besoins. Après l’extraction terminologique, nous procédons à la mise en relation de ces termes au moyen d’une description linguistique des phénomènes de variations syntaxiques intéressants (voir Ibekwe-SanJuan, 1998 pour plus de détails). Donc, notre approche globale allie les deux approches citées ci-dessus (acquisition et mise-à-jour termninologique) et qui ont souvent été opposées.

5Le reste de ce papier est organisé comme suit : après quelques rappels sur la notion de terme (§1), nous décrirons dans la section §2 le processus d’extraction mis en œuvre dans INTEX. La section §3 analyse les résultats de cette extraction. La section §4 est consacrée à la discussion sur les difficultés rencontrées avec INTEX dans l’accomplissement de cette tâche.

Qu’est-ce qu’un terme ?

6L’objectif de l’extraction terminologique étant l’extraction d’unités susceptibles d’être des termes, il nous faut prendre en considération les caractéristiques linguistiques de celles-ci. De nombreuses études ont permis de cerner à peu près les caractéristiques des unités terminologiques (Benvéniste 1966, Condamines et al. 1993, Jacquemin 1994 et al., Bourigault 1994, Katz et al. 1995). Nous avons aussi traité de ce problème dans Ibekwe-SanJuan (1997 et 1998) mais il n’est pas inutile d’en rappeler les postulats.

7Les unités terminologiques sont des syntagmes nominaux particuliers. Sur le plan syntaxique, elles ressemblent aux syntagmes nominaux ordinaires. Ce sont des unités qui admettent des expansions en syntagme prépositionnel (retrieval of information) mais apparaît aussi sous forme composée, (information retrieval). Sur le plan morphologique, elles sont composées majoritairement de noms et d’adjectifs, de certaines prépositions, du déterminant défini the (le en français). Les prépositions habituellement rencontrées sont : of, for, by, in, with, to, from (de, par, sur en français). La suite préposition+déterminant peut faire partie d’un terme. Mais elle est souvent marqueur de frontière de syntagme nominal (SN) lorsqu’elle contextualise les unités qui l’entourent, les rendant ainsi dépendantes du contexte.

8Mais c’est surtout sur le plan sémantique que l’on peut vérifier le statut terminologique d’une unité textuelle : les termes renvoient à des concepts/objets d’une domaine. A ce titre, ils doivent être interprétables hors contexte. Le terme est le signe linguistique qui accompagne l’apparition d’un nouveau concept dans un domaine. Il relève donc du lexique. A ce jour, dans la plupart d’applications visant à extraire automatiquement des termes à partir d’un corpus, la validation des unités extraites passe nécessairement par une expertise humaine à cause de l’ambiguïté morpho-syntaxique inhérente à la composition d’un terme (confusion avec un SN ordinaire dépendant du texte).

1 - Extraction de termes candidats sous INTEX

9Nous dénommons ’candidats termes’, les séquences extraites de notre corpus par une analyse morphologique de la composition terminologique, avant la validation manuelle. Après validation, ces séquences deviendront des ’termes candidats’.

1.1 - Traitements préliminaires

10Le corpus de travail est constitué de 564 titres et résumés bibliographiques (textes courts) extraits des bases bibliographiques scientifiques Food science and technology et Food science and technology abstracts1 sur une période de 10 ans (1988-98). Le critère de constitution a été de récolter des notices bibliographiques d’articles scientifiques traitant des conditions de conservation, de l’amélioration de la pâte boulangère pour la fabrication du pain (les mots-clés en anglais utilisés sont : dough, improvement, preservation, condition, bread, bake, baking). Ce corpus fait environ 72000 mots. Nous avons commencé par traiter le problème des mots inconnus et mots composés du corpus en construisant manuellement un dictionnaire filtre.

1.2 - L’identification de syntagmes nominaux maximaux

11Pour construire des automates capables d’identifier des candidats termes, il nous a fallu préciser leurs propriétés morphologiques :

Contraintes morpho-syntaxiques sur la composition des unités terminologiques candidates

i- une unité terminologique peut contenir un adverbe (W), un ou plusieurs adjectifs (A) et au moins un nom (N), une seule préposition (P) ;
ii- elle peut apparaître sous la forme d’une structure composée (juxtaposition des éléments ci-dessus) ou syntagmatique (postposition de syntagmes modifieurs) ;
iii- la suite préposition + déterminant est exclue pour des raisons déjà évoquées (voir §1) ;
iv- coordination est considérée comme frontière de terme
la longueur d’un terme n’est pas limitée si la séquence considérée respecte les
contraintes 1-4.

12L’extraction de séquences susceptibles de contenir des termes se fait à l’aide de transducteurs de complexité décroissante qui nous permettent d’extraire successivement les syntagmes nominaux, du plus complexe au plus atomique. Après le passage de chaque transducteur en mode REPLACE, on récupère le corpus sans les séquences repérées, on récupère également la liste de séquences repérées sans leur contexte (concordance 0)2.

13Notre stratégie d’extraction des candidats termes peut se résumer ainsi : nous privilégions la détection de termes complexes qui peuvent indiquer les associations établies par les auteurs des articles entre concepts atomiques du domaine, ce qui peut intéresser une application de veille scientifique et technologique. La décomposition de SN maximaux ne descendra pas forcément au niveau atomique sauf si la structure à décomposer ne correspond pas à celle d’un terme (contraintes 1-5 ci-dessus).

14Nous avons commencé par définir un SN minimal comme une structure nominale pouvant contenir un nombre quelconque de modifieurs (adverbe et adjectifs, noms) et un nom tête mais sans syntagme prépositionnel. Ce type de construction est repéré par l’automate SN-min (figure 1.). En fait, un SN-min est dit ‘simple’ du point de vue syntaxique puisqu’il s’agit de la juxtaposition d’éléments nominaux. Il ne l’est pas forcément sur le plan conceptuel car dans les candidats extraits (voir Tableau 1), il peut y avoir des termes complexes, faits de la juxtaposition de plusieurs éléments nominaux.

15Nous décrivons ensuite un SN maximal, par opposition, comme une structure de SN-min avec plusieurs compléments prépositionnels et/ou des syntagmes reliés par la coordination. L’idée est d’identifier les SN les plus complexes afin de ne travailler par la suite que sur ce type de structure, en ayant éliminé tout ce qui constitue des frontières de termes (syntagmes verbaux et ponctuations). Les SN maximaux sont repérés par l’automate SN-max (figure 2).

16De manière itérative, nous appliquons d’abord l’automate visant à extraire les SN maximaux (SN-max) après l’analyse morphologique du corpus, effectuée par INTEX. Ces SN sont récupérés dans un fichier texte et leurs occurrences effacées du corpus. Nous appliquons ensuite l’automate qui identifie dans le corpus les SN minimaux (SN-min). Ces SN sont également récupérés dans un fichier texte et ne sont plus soumis à aucun traitement de découpage puisque par définition, leur structure correspond à celle d’un terme. Nous donnons ci-dessous quelques exemples de SN-min et SN-max extraits.

17Les candidats SN-min précédés d’une étoile sont des cas de mauvais candidats dont les raisons d’extraction seront discutées en §3.1. A ce stade, nous avons extrait 5499 occurrences de SN-max et 9294 SN-min, un même SN pouvant apparaître plusieurs fois. Les sections 1.3 - 1.4 ci-dessous vont être consacrées à l’étude des stratégies de découpage des SN-max.

1.3 - Cas des SN-maximaux reliés par la coordination

18Dans l’état actuel de notre travail, nous n’avons pas mis en œuvre un traitement linguistique adéquat de la coordination. La raison essentielle étant que le nécessaire affinement des règles pouvant traiter convenablement la coordination nécessite la prise en compte des indicateurs de structure lexicale (ISL) et grammaticale (ISG). Les ISL impliquent la disponibilité des informations sur la morphologie dérivationnelle qui permettent de prendre en compte les propriétés rectionnelles des noms déverbaux (voir exemple 2 ci-après) Nous ne disposons pas de telles informations pour le moment. Par contre, il nous aurait été possible de prendre en compte les indicateurs de structure grammaticale (ISG) tels que la marque de flexion de nombre et les indicateurs de position (syntaxiques). Mais cela aurait demeuré insuffisant pour traiter certains cas de coordination.

19Ainsi, le traitement que nous avons opéré est très basique : il consiste à considérer l’élément de la ponctuation n-aire (and, or, virgule) comme un ISG qui marquerait la frontière entre deux candidats termes. Evidemment, cette solution artificielle va donner de bons résultats pour tous les cas de coordination équilibrée (les unités entourant l’élément de la coordination sont sémantiquement autonomes) mais donnera de résultats erronés dans le cas de la coordination non-équilibrée (les unités entourant l’élément de la coordination ne sont pas sémantiquement autonomes et leur traitement nécessite une approche transformationnelle). Nous donnons quelques exemples ci-après.

Exemples de découpages erronés

20a guide to the formulation and processing of traditional yeast-containing doughnuts (2)

21C’est un cas de coordination de deux noms déverbaux ‘formulation’ et ‘processing’. Il a été décomposé par notre stratégie actuelle en :

22entraînant ainsi la perte du compléments régi (to the processing) pour le premier nom déverbal (guide) et pour le nom déverbal (formulation), la perte de son propre complément régi (of traditional yeast-containing doughnuts). Le bon découpage aurait du être :

• a guide to the formulation of traditional yeast-containing doughnuts (2a’)

• a guide to the processing of traditional yeast-containing doughnuts (2b’)

23Les séquences suivantes ont également donné lieu à des découpages erronés3 :

▪ Coordination de modifieurs
(baking) and rheological properties)
(bread) and (roll doughs)
(rapid fermentation) and (easy-to-handle fermentation media)

▪ Coordination de centres
(improved dough stability) and (crumb structure)
(selected yeasts) and (enzymes)
(bakeries) and (bread bakers in small bakeries)

▪ Coordination multiple
(baking) and (nutritional properties of wheat-flour doughs) and (breads) (3)
(Effect) and (functionality of lipases in dough) and (bread) (4)

24Les cas de coordination multiple sont difficiles à résoudre car ils nécessitent d’identifier, dans une même chaîne, l’étendue de chaque élément de la coordination. Dans l’exemple (3), il s’agit de la coordination de deux modifieurs (baking and nutritional) autour d’un même nom centre (properties) avec une coordination, dans un syntagme modifieur post-posé, de deux noms centres (doughs and breads) autour d’un même modifieur (wheat-flour). Il aurait du être découpé en :

25L’exemple (4), à l’inverse, coordonne deux noms centres (Effect and functionality) autour d’un même modifieur (of lipases) avec un syntagme modifieur post-posé contenant une coordination de deux noms (dough, bread). Le bon découpage aurait du donner les séquences suivantes :

26Néanmoins, cette approche transformationnelle reste critiquable car on ne peut pas être sûr que la coordination n’est pas entendue au pluriel. Ainsi, dans l’exemple (4) ci-dessus, ne peut-il pas s’agir de la coordination de deux noms centres autour d’un même syntagme principal, auquel cas, il ne faut pas chercher à les séparer ? Autrement dit, pourquoi ne pas générer "effect of lipases in dough and bread" ? Ces considérations amènent à prendre en compte la dimension sémantique des signifiés dans un syntagme coordonné. Les questions soulevées par la coordination en TALN restent encore largement sans réponses adéquates, au vu de leur complexité.

Exemples de bons découpages

27Les cas de coordination équilibrée donne lieu à un découpage correct lorsque le traitement considère l’élément de la coordination comme frontière de deux syntagmes syntaxiquement valides. Nous étudions quatre cas de figure pouvant indiquer que l’on est en présence d’une coordination équilibrée.

28i- Enumération : dans ce cas typique, la présence de virgules et des coordinations (and, or) tendent à indiquer la frontière entre SN autonomes. C’est particulièrement vrai lorsque les constituants sont des noms propres mais pas seulement (exemple 6). Le découpage que nous avons opéré donne alors de bons résultats :

flavour enhancement, yeast nutrition, moisture retention, fermentation (6)

29ii- Présence d’un déterminant à droite de la coordination : elle peut indiquer l’autonomie du syntagme introduit et par conséquent, l’autonomie du syntagme précédant la coordination :

enzymic activity in dough and the effects of enzymic activity (7)
enzymic activity in dough (7a)
the effects of enzymic activity (7b)

30iii- Identité de structures syntaxiques : la présence d’une même structure syntaxique de part et d’autre de la coordination est aussi une bonne indication d’une coordiation équilibrée :

ammonia assimilation and ureide biosynthesis (8) innoculum dose and nitrate treatment (9)

31Dans ces deux exemples, il s’agit de la structure ‘nom’+’nom-dérivé-de-verbe’ qui se répète de part et d’autre de l’élément de la coordination.

32Il est donc justifié de les découper en :

33iv- flexion de nombre : une marque de flexion de nombre identique peut également indiquer la coordination équilibrée :

consumers, foodservice operations and industrial bakeries (10)

34On peut raisonnablement postuler que notre stratégie basique a autant de chances de donner de bons résultats que de mauvais. Les cas de bon découpage ne sont en effet pas négligeables (voir dans la §3, le tableau 4 pour la proportion d’erreurs imputables à ce traitement de la coordination).

1.4 - Décomposition de syntagmes complexes sans coordination

35Une fois les cas de coordination traités, il nous reste à décomposer les SN-max débarrassés des éléments de la coordination, on les appellera désormais les SN-moyens (SN-moy). Nous avons appliqué ici les contraintes morpho-syntaxiques sur la composition des termes, énoncées en §2.1. Nous avons décrit à cet effet une série d’automates pour décomposer ces SN-moy. Nous les présentons par ordre d’application.

Suite ’prép+dét’ comme marqueur de frontière d’unités terminologiques

36En effet, une observation des séquences contenant la suite ‘préposition+déterminant’ (prép + dét) montre qu’elle constitue plutôt la frontière entre deux SN. Le traitement que nous lui avons appliqué consiste à effacer la suite ‘prép+dét’ et à extraire les SN l’entourant. Dans les exemples ci-dessous, nous entourons de parenthèses les séquences extraites.

37SN₁ prép dét SN₂ :

SN₁
SN₂

Présence de deux prépositions dans une séquence

38Après le traitement de la suite ‘prép+dét’, il subsiste des SN pouvant contenir deux prépostions. Les prépositions ont été partagées en deux classes : (i) la préposition of qui a un statut particulier vis-à-vis de la dépendance syntaxique et de la terminologie, (ii) les autres prépositions admises (from, with, by, for, to, in), notées ’prép1’. Ces syntagmes vont être soumis à des automates visant à les décomposer selon trois cas de figure :

i- le syntagme à décomposer contient la préposition "of" avec une autre préposition.
ii- le syntagme à décomposer contient deux fois la préposition ‘of’.
iii- ce syntagme contient deux prépositions dont aucune n’est la préposition "of"

39Nous avons utilisé à ce stade la fonction de transducteurs avec variables dans INTEX (INTEX manual, 2000).

40i)- le syntagme à décomposer contient la préposition "of" avec une autre préposition

41Notre stratégie de découpage tient compte de la position de la préposition "of" dans la séquence à décomposer. Deux cas se présentent : la première préposition est issue de la classe ’prép1’, nous considérons que seules les unités entourant la préposition of sont dans une rélation de dépendance syntaxique forte. La décomposition consiste alors à isoler le premier syntagme en effaçant la préposition ’prép1’ et à extraire le reste de la séquence en l’état, ce qui donne :

42Dans le cas où la préposition of apparaît en première position avec une autre préposition de la classe ’prép1’, nous considérons qu’il s’agit d’un cas de double complémentation. Chaque unité introduite par une préposition est un complément et peut donc être isolée du syntagme recteur. L’exemple ci-après comporte deux compléments, un direct introduit par of, un indirect introduit par in. Sa décomposition consiste à les isoler du nom recteur.

SN₁ of SN₂ prép1 SN₃ airborne levels of alpha-amylase allergens in bakeries (15)

43ii)- le syntagme à décomposer contient deux fois la préposition ‘of’.

44Chaque syntagme régi est dépendant du syntagme recteur pour lui conférer son sens hors contexte. Nous adoptons alors la stratégie de décomposition suivante :

45Ce cas de figure est le seul cas de découpage concurrent que nous effectuons. Les autres règles de découpages sont déterministes (elles fournissent des syntagmes non-recouvrants).

46iii)- le syntagme contient deux prépositions dont aucune n’est la préposition ’of’

47Dans ce cas, il s’agit pour nous de frontières de candidats termes potentiels. Chaque syntagme est délimité par la préposition qui se trouve à sa gauche ou à sa droite, nous les isolons :

SN₁ ’prép1’ SN₂ ’prép1’ SN₃
a useful tool for screening wheat samples for breadmaking quality (17)

48Un dernier automate va retirer tous les déterminants initiaux qui figurent dans certains candidats termes.

Remarque 1

49Une différence notable entre notre stratégie de décomposition de syntagmes nominaux maximaux et celle de LEXTER (Bourigault, 1994) est que nous ne fournissons pas de découpages concurrents (hormis le cas de présence de deux "of" dans un SN-moy). En effet, LEXTER propose tous les découpages possibles d’un SN maximal, ce qui l’amène à proposer des candidats termes partiellement recouvrants. Ainsi dans l’exemple ci-dessous, un découpage concurrent consistera à proposer les sous-séquences suivantes :

airborne levels of alpha-amylase allergens in bakeries :
a- airborne levels
b- alpha-amylase allergens
c- airborne levels of alpha-amylase allergens
d- alpha-amylase allergens in bakeries
e- bakeries

50Ceci conduit à une sur-génération de candidats termes et en augmente le nombre. C’est le principal reproche que l’on fait à LEXTER. Dans notre approche, la décomposition déterministe a cependant un coût : si nous nous trompons, l’utilisateur ne retrouvera pas le bon candidat qui a été perdu lors du découpage. A la fin de ces traitements, nous avons obtenu environ 20,000 occurrences de candidats termes extraits dont beaucoup de doublons.

2 - Analyse des termes candidats extraits du corpus

51Dans l’état actuel du logiciel INTEX, il n’est pas aisé de compter les occurrences d’un même terme vu les possibilités de variations morphologiques qu’un terme peut subir (flexion, mots composés avec trait d’union). Pour identifier les différentes occurrences d’un même terme, nous avons du recourir à un programme externe, écrit en Awk4 qui prend comme données, le dictionnaire du corpus généré par INTEX. Le traitement consiste à comparer la forme de chaque mot d’un candidat terme avec l’entrée lexicale associée par INTEX. Ceci permet de reconnaître les pluriels, les mots composés. Nous avons conservé ensuite la liste des termes candidats au singulier.

52Après comptage, le nombre total de termes différents extraits se réduit de moitié, il est de 10,324, dont 8612 pluritermes (termes comportant plus d’un nom), soit 83 % et 1712 unitermes, soit 17 %.

Remarque 2

53Ce résultat est conforme à notre stratégie d’extraction terminologique qui consiste à privilégier la détection de termes complexes (pluritermes) pouvant indiquer les associations établies par les auteurs des articles entre termes atomiques du domaine.

2.1 - Validation des termes candidats extraits

54Nous avons ensuite soumis cette liste de termes candidats à un spécialiste5 du domaine de l’agro-alimentaire. Nous lui avons présenté deux listes : une liste des 8612 pluritermes et une liste des 1712 unitermes. Pour la validation, nous lui demandons de choisir entre ces trois valeurs : Oui, Non et Indécis. Elle avait également la possibilité d’indiquer la raison d’acceptation, du rejet ou de son indécision.

55La validation des unitermes a été plus rapide dans la mesure où il s’agissait moins de vérifier les contextes textuels de ces unitermes que de décider si ces mots isolés pouvaient avoir un sens dans le domaine de la panification. En somme, nous lui avons donné comme consigne d’accepter tous les unitermes qui renvoyaient à des :

1. objets du domaine : dough, salt, egg, flour, amylase, ...

2. procédés de fabrication : breadmaking, baking, ...

3. propriétés des objets/concepts du domaine : rubberiness, resistance, extensibility, resiliency, toughness, ...

4. processus du domaine : hydrolysis, propagation, ...

5. lieux géographiques : Sudan, USA, Sweden, France, California, ...

56Cette consigne avait été étendue à la validation des pluritermes. Nous résumons les résultats de cette validation dans le tableau 2.

2.2 - Quelques chiffres

57Le tableau 2 ci-dessous résume le résultat de la validation.

58Une plus grande proportion d’unitermes a été validée par rapport aux pluritermes. L’addition des candidats acceptés (a) et des candidats indécis (i) fait nettement augmenter ce que l’on peut appeler la "précision" à 69 %. Les candidats classés indécis dans cette procédure de validation sont pour nous des termes « plausibles ». Nous les considérerons dans la suite des traitements (total retenu U+P : 69 %). Les seuls réellement éliminés sont des termes clairement rejetés par le spécialiste.

59Dans le tableau 3 ci-après, nous analysons les principales sources d’erreurs parmi les candidats termes rejetés.

60Comme on peut le constater, 75 % des erreurs n’ont pas été annotées, ainsi ces chiffres ne portent pas sur la totalité des candidats rejetés, ils sont donc partiels. Mais un coup d’œil dans la liste de candidats rejetés non-annotés (1978 au total) montre qu’il y a beaucoup de termes généraux qui n’ont pas de sens précis dans le domaine du corpus. Ce que corrobore les chiffres sur les erreurs annotées. La dernière colonne donne le pourcentage d’un type d’erreurs parmi toutes les erreurs (annotées et non-annotées).

61Le tableau 4 donne la proportion de chaque type d’erreurs parmi les erreurs annotées.

Remarque 3

62Le critère du nombre d’occurrences souvent utilisé pour sélectionner les bons candidats termes (Daille 1994, Katz et al. 1995) n’est nullement intervenu dans la validation des candidats. Il y a autant de candidats acceptés en haut de la liste (candidats très fréquents) qu’en bas de la liste (candidats peu fréquents, voire des hapax). Ce constat démontre que le nombre d’occurrences d’un candidat terme ne peut pas être un critère de sélection fiable de bons candidats. Si on avait tenu compte de ce critère, 79 % de nos candidats termes seraient des hapax (occurrence 1) et auraient du être éliminés ! Seulement 21 % de candidats termes apparaissaient plus d’une fois. Le tableau ci-dessous montre la répartition des candidats termes par nombre d’occurrences.

3 - Discussion

63Dans cette expérience, nous avons voulu tester l’utilité d’un outil comme INTEX pour l’extraction terminologique. Dans les paragraphes ci-dessous, nous soulignons quelques difficultés rencontrées dans le cadre de cette expérience.

Remarque 4

64Parmi les difficultés qu’on peut imputer à INTEX est le problème de la désambiguïsation. En effet, la philosophie de INTEX est de fournir toutes les lectures possibles d’une forme. Ainsi, dans son dictionnaire, « hold » peut être un nom (N) ou un verbe (V). Cette philosophie est justifiée si l’on considère l’analyse morpho-syntaxique comme une fin en soi. Mais dans le cadre d’une application précise, si la désambiguisation n’est pas faite, cela conduit à des erreurs. Dans notre cas, plusieurs séquences commençant par un verbe ou se terminant par un verbe ont été extraites. Une désambiguïsation « correcte » doit tenir compte de contraintes lexico-syntaxiques locales afin de lever certaines ambiguïtés. Or, cette fonction de désambiguïsation, présente dans INTEX, se révèle assez difficile d’utilisation. La fonction d’étiquêtage linéaire (linear tagging) qui affecte une lecture à un mot se révèle insuffisante car elle n’étiquête pas les mots ambigus (pour lesquels il y a plusieurs lectures possibles et que nous essayons justement de désambiguïser). Ensuite, nous avons essayé d’utiliser le transducteur du texte qui construit graphiquement, phrase par phrase, l’analyse morphologique d’une phrase avec tous les chemins parallèles en cas d’ambiguïtés. Là encore, le problème qui se posait était d’arriver à éliminer des lectures concurrentes afin de n’aboutir qu’à une seule lecture par mot. Nous avons, dans ces deux tentatives, soumis des grammaires locales à INTEX mais le résultat ne fut pas celui attendu : il subsistait toujours des chemins parallèles dans le transducteur du texte ou des mots non-étiquêtés (dans le cas du linear tagging). De notre part, il peut y avoir un manque de précision dans les règles de désambiguïsation qui pourraient être contradictoires avec les analyses préalablement effectuées par INTEX. Dans tous les cas, les fonctionnalités de levée d’ambiguïtés demeurent assez complexe d’utilisation.

Remarque 5

65Suivant la remarque précédente, il faut souligner que la tâche que nous soumettons à INTEX n’est pas le travail type pour lequel il a été conçu. Nous avons du appliquer manuellement nos automates d’extraction de candidats termes. Il aurait fallu utiliser INTEX en mode ligne de commande, écrire des commandes externes qui permettent d’appeler nos automates dans un script et les appliquer successivement sur le résultat du corpus obtenu à l’étape précédente. Tout ceci nécessite des compétences en informatique qui peut constituer un frein pour les non-initiés.

Remarque 6

66Une autre difficulté que nous avons pu contourner est celle de la lemmatisation. INTEX propose bien de lémmatiser les formes dans un mode d’affichage de résultats du linear tagging, mais c’est une lémmatisation totale7 qui retire les flexions mais aussi les marques de dérivation. Ceci peut se révéler ennuyeuse pour certains applications. Ainsi, un adjectif dérivé d’un verbe qui apparaît dans un syntagme nominal sera ramené à sa forme verbale. Les nominalisations (noms dérivés de verbes) sont ramenées également à leur forme verbale. Par exemple, stabilization of dough et stabilized dough deviendront respectivement stabilize of dough et stabilize dough. On voit aisément que cette lémmatisation totale est dommageable pour notre application car on génère des non-termes tout en perdant une trace importante de l’évolution terminologique dont la dérivation constitue un axe significatif. N’ayons pas pu choisir le niveau de lémmatisation, à savoir une lémmatisation flexionnelle uniquement, il nous a fallu recourir à un programme externe pour le faire.

67Malgré ces difficultés, INTEX offre des potentielles très intéressantes car il constitue un environnement ouvert, doté d’outils linguistiques puissants pour le traitement automatique des langues naturelles.