Détermination automatique des termes de l’éducation et des sciences par des méthodes linguistiques

ERIKA RIMKUTĖ

Université Vytautas Magnus

MOTS-CLÉS: corpus, termes de l’éducation et des sciences, méthodes linguistiques, forme lemmatisée, forme grammaticale

INTRODUCTION

La linguistique de corpus et la linguistique informatique en Lituanie entament leur deuxième décennie — on peut faire remonter les débuts de ces disciplines à la création du Centre de linguistique informatique de l’Université Vytautas Magnus (voir http://tekstynas.vdu.lt) en 1994. Plusieurs corpus ainsi que des programmes d’analyse et de synthèse automatiques de la langue ont été élaborés¹. Pourtant, les principes de la linguistique de corpus sont encore peu appliqués à la terminologie et à la terminographie.

L’article de 2010, Possibilités de détermination automatique des termes de la langue lituanienne (Rimkutė 2010), examine dans quelle mesure les corpus sont utilisés pour élaborer différents travaux terminologiques en Lituanie. Les termes lituaniens figurent dans plusieurs bases de données internationales et banques de terminologie; de nombreux répertoires terminologiques ou bases de données électroniques ont également été préparés², mais tous les répertoires terminologiques électroniques lituaniens sont essentiellement fondés sur des dictionnaires terminologiques. La plupart des dictionnaires lituaniens ont été élaborés à partir de quantités de textes assez limitées et en s’appuyant sur l’intuition linguistique; on peut donc affirmer qu’en Lituanie, l’approche prescriptive de la collecte et de la description des termes reste prédominante.

Cet article vise à présenter les résultats du projet³ consacré à la détermination et à la description des termes de l’éducation et des sciences, qui portent sur la détermination automatique des ter-

¹ Un inventaire détaillé des ressources lituaniennes élaborées avant 2011 est disponible à l’adresse http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas.

² Les références sont indiquées dans l’article mentionné.

³ Il s’agit du projet financé par le Conseil lituanien de la recherche Identification automatique des termes de l’éducation et des sciences (ŠIMTAI 2) (contrat n° LIT-2-44). Les principaux objectifs de ce projet sont: 1) créer et tester, sur un corpus de langue lituanienne, une méthodologie de reconnaissance automatique des termes en tant que nouvel instrument de gestion terminologique; 2) créer un corpus spécialisé consacré à l’éducation et aux sciences; 3) élaborer, à partir de ce corpus spécialisé, un dictionnaire explicatif des termes de l’éducation et des sciences ainsi qu’une ontologie de ce domaine.

54

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

... l’établissement de leur description. L’idée du projet consacré à l’identification automatique des termes est née du constat que les sources normatives existantes⁴ sont assez incomplètes, qu’elles se concentrent sur les termes les plus généraux de la politique de l’éducation et ne couvrent presque pas le domaine de la politique scientifique; elles ne parviennent pas à inclure les nouveaux termes issus de la pratique, et les terminologues n’arrivent pas à les normaliser à temps. La normalisation traditionnelle reste toutefois assez subjective; il faut donc étayer les usages et les normes par des méthodes de linguistique de corpus. Cet article portera ainsi sur une méthode de sélection et d’analyse des termes encore relativement nouvelle en Lituanie, qui pourrait considérablement faciliter le travail des terminologues et lui apporter davantage d’objectivité.

IDENTIFICATION AUTOMATIQUE DES TERMES

Pour identifier et définir automatiquement les termes d’un domaine particulier, un domaine a été choisi: la science et l’éducation. Un corpus de science et d’éducation (ci-après « corpus SÉ ») de 4 millions de mots a été constitué autour de deux thèmes principaux: 1) la recherche scientifique et 2) l’éducation. Dans le domaine de la recherche scientifique, l’accent a principalement été mis sur la politique de la recherche scientifique et la politique de l’enseignement supérieur. Pour le domaine de l’éducation, l’enseignement postsecondaire a été retenu, avec une attention particulière portée à l’enseignement supérieur et à la formation continue. La formation professionnelle a également été incluse comme domaine complémentaire. La constitution du corpus visait à couvrir des textes de genres et de types variés, par exemple: des lois et d’autres documents politiques émanant des plus hautes autorités (résolutions et déclarations du Seimas de la République de Lituanie, du gouvernement de la République de Lituanie et du président de la République de Lituanie, décisions de la Cour constitutionnelle, etc.); des documents stratégiques; des actes d’application des lois; des documents d’institutions et de projets mettant en œuvre les politiques de la science et de l’éducation; des documents d’établissements scientifiques et d’enseignement supérieur; des publications d’information, des études sur l’état du secteur, des évaluations et des études de faisabilité; des communiqués de presse et des comptes rendus de débats.

Lorsqu’on dispose d’un corpus représentatif et bien équilibré du domaine étudié⁵, il est possible d’identifier automatiquement les termes. À cette fin, on utilise le plus souvent—

⁴ On peut citer la Banque des termes de la République de Lituanie, l’Encyclopedic Dictionary of Educational Science Terms de L. Jovaiša (2007), ainsi que le thésaurus TESE [consulté le 20/05/2012], accessible sur Internet: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf.

⁵ La représentativité et la taille des corpus comptent parmi les questions les plus complexes de la linguistique de corpus. On peut considérer que le corpus SÉ représente assez bien le domaine choisi. Sa taille est plus discutable: par exemple, le corpus juridique anglais-italien Bononia Legal Corpus (BOLC) compte environ 18 millions de mots (Rossini Favretti et al. 2001).

Terminologija | 2012 | 19

55

... trois types de méthodes: statistiques, linguistiques et hybrides, combinant modèles statistiques et linguistiques. Plusieurs expériences ont été menées afin de déterminer les méthodes d’identification des termes les plus appropriées. Les méthodes statistiques suivantes ont été testées: 1) la fonction WordSmith Tools Keyword Clusters; 2) la méthode d’apprentissage automatique KEA; 3) la méthode d’extraction des collocations au moyen de l’outil LICE (voir plus en détail Grigon worth et al. 2011). Ces études ont conduit à la conclusion que les méthodes linguistiques sont les plus adaptées au lituanien. Les caractéristiques de ces méthodes sont brièvement expliquées ci-après.

Le principal avantage des systèmes statistiques d’identification des termes est qu’ils n’ont pas besoin de grandes bases de données contenant des exemples de termes fournis par des humains. En outre, ils sont indépendants de la langue. Le principe fondamental des systèmes statistiques repose sur l’idée que les mots fréquemment employés ensemble sont liés et peuvent être considérés comme des termes possibles.

Les méthodes linguistiques s’appuient le plus souvent sur les étiquettes morphologiques et l’ordre des mots. Pour appliquer ces méthodes, il faut disposer de corpus annotés morphologiquement. Les méthodes linguistiques d’identification des termes servent généralement à déterminer les formes grammaticales que peuvent prendre les termes. Il faut tenir compte des caractéristiques des langues lors de la détermination de ces formes. Par exemple, pour les langues analytiques, il est important d’identifier la partie du discours des termes. La partie du discours est également très importante pour les termes lituaniens, mais il faut aussi savoir quelles informations relatives aux autres catégories grammaticales sont nécessaires à leur identification automatique. On a constaté que, pour le lituanien, les catégories du nombre et du cas sont également importantes, tandis que celle du genre n’est pas particulièrement déterminante pour l’identification automatique des termes⁶.

Tyrinėtojų (pvz., Bowker 2002) nustatyta, kad beveik neįmanoma pritaikyti kitoms kalboms sukurtų terminus nustatančių įrankių, ypač tų, kurie naudoja lingvistinius metodus. Pavyzdžiui, tipiška anglų kalbos terminų struktūra yra bdv. + dkt., dkt. + dkt., o prancūzų kalbai būdingi modeliai yra dkt. + bdv., dkt. + prl. + dkt. Taigi norint taikyti lingvistinius terminų atpažinimo metodus, reikia sukurti programą, kurioje būtų atsižvelgta į tam tikros kalbos gramatinę sistemą.

La suite de cet article présentera des tentatives d’identification automatique des termes lituaniens au moyen de méthodes linguistiques. Il convient de noter que

⁶ Le genre devient pertinent dans les cas de syncrétisme des cas, par exemple: mokslo darbuotojų: le logiciel d’analyse morphologique automatique reconnaît la forme darbuotojų comme le génitif pluriel d’un nom masculin et d’un nom féminin. Il indique donc comme formes lemmatisées à la fois mokslo darbuotojas et mokslo darbuotoja. La forme masculine devrait être retenue comme terme, c’est-à-dire mokslo darbuotojas.

56

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

l’attention, pour déterminer les termes éventuels (ci-après GT)⁷, a été utilisé un programme créé au Centre de linguistique informatique de VDU. Ce programme applique des règles linguistiques précisant quelles combinaisons de catégories grammaticales ou quelles formes de mots doivent être analysées.

Comme indiqué, l’utilisation de méthodes linguistiques nécessite des corpus annotés morphologiquement. Le corpus d’enseignement et de science constitué au préalable a donc été annoté morphologiquement à l’aide de l’annotateur morphologique⁸ créé au Centre de linguistique informatique de VDU. Voici un exemple de texte annoté automatiquement sur le plan morphologique:

<mot=”PROJEKTŲ” lemme=”projektas” type=”dktv vyr.gim dgsk K”>⁹ <espace> <mot=”FINANSAVIMO” lemme=”finansavimas” type=”dktv vyr.gim vnsk K”> <espace> <mot=”SĄLYGŲ” lemme=”sąlyga” type=”dktv mot.gim dgsk K”> <espace> <mot=”APRAŠAS” lemme=”aprašas” type=”dktv vyr.gim vnsk V”> <par> <mot=”I” lemme=”I” type=”rom skaič”> <séparateur=”.”> <espace> <mot=”BENDROSIOS” lemme=”bendras” type=”bdvr teig nelygin.l įvardž mot.gim vnsk K”> <espace> <mot=”NUOSTATOS” lemme=”nuostata” type=”dktv mot.gim vnsk K”>¹⁰ <par> <nombre=”1”> <séparateur=””> <espace> <nombre=”2007”> <séparateur=”–”>

⁷ Les programmes qui déterminent automatiquement des termes en recourant à diverses méthodes reconnaissent le plus souvent des termes éventuels, ou termes candidats (voir Zeller 2005). Toutefois, parmi les mots ou groupes de mots détectés automatiquement, on trouve souvent des suites de mots totalement dépourvues de sens ou des groupes de mots non terminologiques qui ont un sens, par exemple des collocations. Les véritables termes parmi ces mots et groupes de mots sont généralement déterminés par un expert du domaine concerné.

⁸ Pour plus de détails, voir http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use.

⁹ Word désigne une forme de mot concrète employée dans le texte, lemma désigne la forme de citation (le lemme), type fournit une information morphologique détaillée.

¹⁰ Il convient de noter que l’annotation morphologique est automatique et comporte donc parfois des erreurs. Ainsi, dans cet exemple, en raison du syncrétisme des cas, une forme incorrecte a été indiquée: au lieu du nominatif féminin pluriel, le génitif féminin singulier est indiqué. Pour en savoir plus sur les imprécisions dues aux particularités de l’annotateur morphologique, voir la section Problèmes liés à la détermination automatique des termes.

Terminologija | 2012 | 19

57

<number=”2013”>

<space>

<word=”m” lemme=”m” type=”sntrmp”

<sep=”.”>

<space>

Le principe de fonctionnement des programmes qui déterminent automatiquement les GT peut se décrire brièvement et simplement ainsi: le texte étiqueté morphologiquement est analysé et des chaînes de mots apparentés sont recherchées. Le premier critère consiste à sélectionner des groupes de mots contigus en fonction des séparateurs étiquetés du texte et des phrases. Certains séparateurs du texte sont marqués comme des signes de ponctuation; d’autres peuvent l’être comme des balises HTML, par exemple la balise de paragraphe <p>, la balise d’espace entre les mots <space>, etc. Il faut ensuite élaborer des règles linguistiques à appliquer dans le programme. Pour déterminer les termes de l’enseignement et des sciences, les principales règles suivantes ont été élaborées et appliquées¹¹:

1. Seuls sont analysés les groupes contenant au moins un nom. Si un GT comporte deux mots ou plus, les autres catégories grammaticales qu’il contient peuvent être des adjectifs ou des participes.

2. Seuls sont analysés les groupes dont le dernier mot doit nécessairement être un nom¹².

3. Dans les GT de deux mots, les noms propres ne sont pas analysés, car ils entrent le plus souvent dans des noms de personnes, d’entreprises, d’institutions, etc., qui ne sont pas considérés comme des termes du domaine. (Lors de la détermination de termes plus longs, les noms propres sont également inclus dans les listes de termes GT.)

4. Supprimer des syntagmes les nombres écrits en chiffres.

5. Ne pas analyser les mots ou les syntagmes comprenant au moins un mot non reconnu par l’annotateur morphologique. Il s’agit le plus souvent d’incises en langue étrangère, de mots comportant des fautes d’orthographe ou de formes de mots tronquées¹³.

Après application de ces règles, des GT ont été identifiés, parmi lesquels l’expert¹⁴ a sélectionné les termes d’éducation et de science. Ces termes ont fait l’objet d’une analyse plus approfondie, et leur structure est décrite dans la section Structure des termes d’éducation et de science.

¹¹ Les règles sont universelles et conviennent, dans leur principe, à l’identification automatique des termes de n’importe quel domaine.

¹² D’autres structures terminologiques sont également possibles, par exemple un nom suivi d’un infinitif précédé d’une préposition, ou un nom suivi d’une construction avec préposition et négation. Ces types de termes sont peu nombreux et n’ont donc pas été analysés. La poursuite de cette étude devrait inclure l’analyse des structures terminologiques qui n’ont pas été abordées dans cet article.

¹³ L’application de certaines restrictions à la sélection des GT peut entraîner la perte d’informations précieuses. Dans cette étude, le nombre de termes réels non reconnus n’a pas été calculé. Lorsqu’on utilise des programmes de reconnaissance automatique des termes, il faut accepter qu’une partie des informations soit perdue, mais les informations identifiées automatiquement seront plus faciles à traiter et les syntagmes obtenus seront grammaticalement plus corrects.

¹⁴ L’expert de ce projet est le spécialiste de la langue et de la littérature lituaniennes Giedrius Viliūnas, qui possède une vaste expérience pédagogique, administrative et de gestion dans les domaines de l’éducation et de la science.

58

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

SÉLECTION DES TERMES

L’application de la méthode, du programme et des règles utilisées dans celui-ci, décrits dans la section précédente, a permis d’identifier environ 11 000 GT composés d’un à quinze mots¹⁵. Face à un volume de données aussi important, plusieurs critères de sélection ont été appliqués. Le premier concernait la longueur des termes: compte tenu des tendances générales observées dans la structure des termes, il a été décidé d’analyser les termes ne dépassant pas sept mots. Le deuxième critère était la fréquence d’emploi des termes. Il a été décidé d’analyser plus en détail les GT d’un mot employés au moins 20 fois dans le corpus d’éducation et de science; les GT de deux mots, au moins 10 fois; ceux de trois mots, au moins 8 fois; ceux de quatre mots, au moins 6 fois; ceux de cinq mots, au moins 4 fois; ceux de six mots, au moins 3 fois; et ceux de sept mots, au moins 2 fois.

Pour calculer automatiquement la fréquence d’apparition des GT, on s’est fondé sur les formes canoniques (lemmes) des mots. Après application de ces critères de sélection, les termes identifiés ont été étudiés plus en détail (leur structure est présentée dans la section suivante).

Après examen par l’expert des GT identifiés selon les critères mentionnés précédemment, les termes réels d’éducation et de science ont été sélectionnés. Leur répartition selon la longueur est présentée dans le tableau 1.

Tableau 1. Répartition des termes d’éducation et de science selon leur longueur

Nombre de mots composant les termes

Nombre de termes

Pourcentage des termes

1

155

19,87

2

474

60,77

3

125

16,03

4

22

2,82

5

4

0,51

Total

780

100,00

¹⁵ Voici quelques-uns des termes les plus longs relevés: dans les cas indiqués au point, remboursement au bénéficiaire du prêt d’un prêt garanti par l’État, sur décision de la commission constituée par le directeur du fonds (15 mots; les nombres, c’est-à-dire le numéro du point, sont omis ici); à l’adresse du lieu de résidence du bénéficiaire du prêt, indiquée dans le contrat de prêt garanti par l’État conclu par l’établissement de crédit (13 mots); les modalités de paiement des frais de scolarité des étudiants de l’université pour l’année universitaire sont fixées par arrêté du recteur (11 mots). Il est évident que ces fragments de texte ne peuvent pas être considérés comme des termes possibles.

Terminologija | 2012 | 19

59

Les données du tableau montrent qu’environ 97% de l’ensemble des termes de l’éducation et des sciences sont des termes composés de 1 à 3 mots. Aucun terme d’éducation et de sciences de six ou sept mots n’a été trouvé dans le GT; ils n’ont donc pas été analysés par la suite.

STRUCTURE DES TERMES DE L’ÉDUCATION ET DES SCIENCES

Cette section décrit en détail la structure des termes de l’éducation et des sciences identifiés automatiquement et sélectionnés par l’expert, et présente leurs modèles grammaticaux. Les termes sont décrits du plus court, c’est-à-dire ceux d’un mot, au plus long, c’est-à-dire ceux de cinq mots.

1. Termes d’un mot. Au total, 7 635 GT d’un mot ont été identifiés, dont 1 311 apparaissent plus de 20 fois dans le corpus. Seuls ces mots sont analysés plus en détail ci-après. Parmi les 1 311 mots, 155 peuvent être considérés comme des termes de l’éducation et des sciences, soit environ 20%. Les termes de l’éducation et des sciences les plus fréquents dans le corpus sont: studentas (4208¹⁶), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403).

2. Termes de deux mots. Dans un corpus de 4 millions de mots, 145 468 GT de deux mots ont été relevés. Comme indiqué précédemment, seuls les GT de deux mots dont la fréquence est d’au moins 10 occurrences ont été analysés par la suite; 4 889 termes de ce type ont été relevés. Après examen des GT, seuls 474 termes de deux mots ont été retenus dans la liste finale des termes de l’éducation et des sciences, et ils constituent la majeure partie de tous les termes analysés — plus des deux tiers (voir le tableau 1). Les termes de deux mots peuvent être répartis en trois types selon leurs formes grammaticales.

1) dkt. K. + dkt. Les termes de l’éducation et des sciences de type comptent 250, soit 52,7% de tous les termes de deux mots.

Les termes de l’éducation et des sciences les plus fréquents de cette structure dans le corpus sont studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253).

2) bdv. + dkt..¹⁷ Les groupes de ce type constituent 200 termes de l’éducation et des sciences (soit 42,2% des termes de deux mots). Les termes de l’éducation et des sciences les plus fréquents sont aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403).

Bdv. + dkt. Les groupes de type sont considérés comme des GT lorsque l’adjectif s’accorde en genre, en nombre et en cas avec le nom. Dans le cas contraire, on re-

¹⁶ Entre parenthèses est indiquée la fréquence du terme dans le corpus de textes d’éducation et de sciences, qui compte 4 millions de mots.

¹⁷ Les modèles des termes de deux mots ne précisent pas les cas, car les adjectifs et les participes s’accordent avec les noms, tandis que les noms sont généralement au nominatif singulier.

60

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

ainsi que des syntagmes grammaticalement incorrects¹⁸, par ex., glaudesnis universitetų, svarbiausias teisės, svarbiausių mokymosi, geriausio metų, ou bien le syntagme est correct, quoique souvent incomplet, et ne constitue pas un terme de l’éducation et des sciences, par ex., didžiausias pasaulyje, dinamiškiausia pasaulyje, palanku studentams.

3) adv. + subst. Il n’y a que 24 syntagmes de ce type considérés comme des termes de l’éducation et des sciences, soit 5%. Les termes les plus fréquents sont: baigiamasis darbas (162), pasirenkamasis dalykas (109), suaugusiųjų¹⁹ švietimas (65), grįžtamasis ryšys (63), taikomieji tyrimai (45).

3. Termes de trois mots. Au total, 119 881 GT de trois mots ont été recensés. L’analyse détaillée a porté sur 2 438 syntagmes dont la fréquence dans le corpus est d’au moins 8 occurrences. On a trouvé 125 termes de l’éducation et des sciences, soit 16,03% de l’ensemble des termes. Les termes les plus fréquents sont: aukštojo mokslo institucija (251), profesinio mokymo įstaiga (205), valstybės remiama paskola (149), bendrojo lavinimo mokykla (147), profesinio mokymo institucija (77).

Les termes de l’éducation et des sciences de trois mots relèvent de sept modèles grammaticaux. Parmi eux, les syntagmes du type adj. gén. + subst. gén. + subst.²⁰ sont les plus fréquents (ils représentent 48% de tous les termes de trois mots), par ex.: aukštojo mokslo institucija (251), profesinio mokymo įstaiga (205), bendrojo lavinimo mokykla (147).

Les deuxièmes plus fréquents parmi les termes de trois mots de l’éducation et des sciences sont les syntagmes du type subst. gén. + subst. gén. + subst. (24,8%), par ex.: studijų krypties reglamentas (66), studijų krypčių aprašas (60), valstybės mokslo institutas (50).

Le troisième modèle structurel le plus fréquent des termes de trois mots de l’éducation et des sciences est adj. nom. + adj. nom. + subst. (12%), par ex.: nacionalinė kompleksinė programa (69), fundamentinis mokslinis tyrimas (61), pirminis profesinis mokymas (52).

Voici ensuite quelques exemples seulement pour chacun des modèles structurels de termes de trois mots de l’éducation et des sciences, classés par fréquence: subst. gén. + part. pass. nom. + subst. (4%), par ex.: valstybės remiama paskola (149), valstybės pripažinta kvalifikacija (33), valstybės finansuojamas studentas (21); subst. gén. + adj. nom. + subst. (4%), par ex.: užsienio aukštoji mokykla (41), kolegijos akademinė taryba (32), doktoranto mokslinis vadovas (20); part. pass. nom./acc. + subst. gén. + subst. (3,2%), par ex.: baigiamasis kvalifikacijos vertinimas (36), nemokama studijų vieta (13), taikomojo pobūdžio tyrimai (13); adj. nom. +

¹⁸ Dans le présent travail, sont considérés comme grammaticalement corrects les syntagmes dans lesquels les mots dépendants s’accordent avec le mot principal et où les relations syntaxiques entre les constituants du syntagme sont claires.

¹⁹ Les participes substantivés sont également inclus parmi les participes.

²⁰ Le cas du dernier substantif n’est pas indiqué, car il est le plus souvent au nominatif.

Terminologija | 2012 | 19

61

part. V. (ou adj., si le participe est substantivé) + subst. (2,4%), par ex.: matière d’enseignement à concours (15), formation non formelle des adultes (13), travail de recherche scientifique (12); part. V. + adv. V. + subst. (1,6%), par ex.: activité scientifique appliquée (20), recherches scientifiques commanditées (8).

4. Termes de quatre mots. Au total, 77 961 GT de quatre mots ont été relevés; les expressions employées plus de 7 fois sont au nombre de 760. Parmi celles-ci, l’expert a identifié 22 termes de l’éducation et des sciences (ils représentent 2,82% de l’ensemble des termes). Les expressions les plus fréquentes de ce groupe de termes sont établissement d’enseignement supérieur et de recherche (568), parc scientifique et technologique (62), programme national intégré général (40), formation professionnelle sur le marché du travail (40).

Les termes de quatre mots employés dans le corpus de l’éducation et des sciences relèvent de neuf modèles grammaticaux différents. Comme les termes de quatre mots sont peu nombreux, chaque modèle n’est illustré que par quelques exemples, voire un seul. Sont présentés ici, regroupés selon leur fréquence, tous les modèles structurels des termes de quatre mots de l’éducation et des sciences, avec un exemple illustrant chacun d’eux:

adj. V. + subst. C. + subst. C. + subst. (22,7% de l’ensemble des termes de quatre mots): base de données scientifique internationale (13);

adj. V. + adj. C. + subst. C. + subst. (18,2%): matière générale de formation universitaire (8);

adj. C. + subst. C. + part. V. + subst. (13,6%): élève ayant des besoins particuliers (8);

subst. C. + conj. + subst. C. + subst. (13,6%): établissement d’enseignement supérieur et de recherche (568);

adj. C. + subst. C. + adj. V. + subst. (9,1%): recherches scientifiques de haut niveau (18);

part. V. + adj. V. + subst. C. + subst. (9,1%): base de données internationale reconnue (11);

adj. V. + adj. V. + adj. V. + subst. (4,5%): programme national intégré général (40);

subst. C. + adj. C. + subst. C. + subst. (4,5%): établissement public de recherche (31);

subst. C. + subst. C. + subst. C. + subst. (4,5%): domaine d’études des sciences technologiques (28);

5. Termes de cinq mots. 49 768 GT de cinq mots ont été recensés; 601 expressions employées plus de 5 fois ont été relevées, parmi lesquelles 4 termes de l’éducation et des sciences, soit 0,51% de l’ensemble des termes. Il est difficile de tirer des conclusions sur leur structure à partir d’un nombre aussi réduit de termes; ceux-ci n’ont donc pas été classés structurellement. Tous les termes de cinq mots employés dans le corpus de l’éducation et des sciences sont: recherche scientifique et développement expérimental (124), recherche scientifique et développement technologique (67), recherche scientifique et développement des technologies (13), centre de recherche scientifique de haut niveau (7).

62

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

6. Termes de six et de sept mots. Il a déjà été mentionné qu’aucun terme de sciences de l’éducation et de la recherche (GT) de six ou sept mots ne correspondait à un terme de sciences de l’éducation et de la recherche (ŠM), bien qu’au total 30 298 termes GT de six mots aient été recensés (dont 750 combinaisons utilisées plus de trois fois) ainsi que 17 815 termes GT de sept mots (dont 2 608 combinaisons utilisées plus de deux fois).

COMPARAISON DES TERMES DE L’ÉDUCATION ET DE LA RECHERCHE AVEC LES TERMES DE LA BANQUE DES TERMES DE LA RÉPUBLIQUE DE LITUANIE

Les termes employés dans le corpus de textes d’éducation et de recherche peuvent être comparés aux termes approuvés en matière d’éducation et de recherche figurant dans la Banque des termes de la République de Lituanie²¹; ils sont au nombre de 74. La structure de ces termes est très variée: ils vont d’un seul mot à des combinaisons de 18 mots. On n’a trouvé qu’un seul terme très long, composé de 15 mots, et un autre de 18 mots. Le terme le plus long est le suivant: programme de formation professionnelle non formelle continue destiné aux agriculteurs, aux propriétaires forestiers, aux membres de groupes d’action locale, aux autres habitants des zones rurales et à leurs conseillers. Il est discutable de considérer le nom d’un programme comme un terme.

La comparaison de la structure des termes d’éducation et de recherche du corpus et de la Banque des termes montre que, dans les deux sources, les termes les plus fréquents sont ceux d’un à trois mots. Il est vrai que les termes d’un à trois mots représentent 86,5% des termes de la Banque, tandis que les termes de même longueur employés dans le corpus d’éducation et de recherche en représentent 97% (voir tableau 1). La Banque des termes compte un peu plus de termes de quatre mots que le corpus présenté; aucun terme de cinq mots n’y est employé. Les termes composés de 6, 7, 8 et 9 mots n’y sont présents qu’à raison d’un ou deux chacun; il n’y a pas de terme de 10 mots, mais les termes déjà mentionnés de 15 et de 18 mots y figurent (voir tableau 2).

L’appartenance de plusieurs termes figurant dans la Banque des termes au domaine de l’éducation et de la recherche est discutable; par exemple, Lituanien, communauté mondiale des Lituaniens, réémigration, nationalité. La liste de termes obtenue montre que le domaine de l’éducation et de la recherche n’est pas couvert dans son intégralité: par exemple, conducteur de tracteur est indiqué comme terme de formation professionnelle, mais les termes conducteur de moissonneuse-batteuse, cuisinier, menuisier et d’autres manquent; les termes reflétant la politique scientifique font particulièrement défaut. Ainsi, les termes recensés dans le cadre de l’étude présentée dans cet article devraient, au moins dans une certaine mesure, combler les lacunes de la terminologie de l’éducation et de la recherche.

²¹ La liste des termes approuvés du domaine de l’éducation et de la recherche a été obtenue en 2010 auprès de la Commission nationale de la langue lituanienne. La comparaison des données du corpus et de la Banque des termes s’appuie précisément sur cette liste.

Terminologija | 2012 | 19

63

Tableau 2. Répartition selon leur longueur des termes d’éducation et de recherche figurant dans la Banque des termes de la République de Lituanie

Nombre de mots composant les termes

Nombre de termes

Nombre de termes,%

1

16

21,6

2

31

41,9

3

17

23,0

4

3

4,1

5

0

0

6

1

1,4

7

1

1,4

8

1

1,4

9

2

2,7

10

0

0

11

0

0

12

0

0

13

0

0

14

0

0

15

1

1,4

18

1

1,4

Total

74

100

PROBLÈMES DE L’IDENTIFICATION AUTOMATIQUE DES TERMES

L’identification des termes par différentes méthodes soulève deux problèmes principaux: 1) quelles formes des termes sont grammaticalement correctes, question particulièrement importante pour la détermination de la forme vedette; 2) comment distinguer les expressions générales et les termes généraux des termes propres au domaine analysé. Les chercheurs d’autres pays sont également confrontés à des problèmes similaires (cf. Cabré Castellví et al. 2001).

Le second problème ne peut généralement être résolu que manuellement, c’est-à-dire qu’un expert du domaine doit examiner le GT et déterminer quels termes relèvent du domaine analysé. Il est également possible d’appliquer certains filtres, c’est-à-dire de dresser une liste de mots à exclure (en anglais stop list) et de l’utiliser pour écarter les mots qui ne peuvent pas être des termes du domaine analysé. Un tel filtrage a également été appliqué dans cette étude. Quelques exemples: n’ont pas été considérés comme des termes de l’éducation et des sciences (É&S) les mots ou groupes de mots dont le dernier mot est un nom indiquant une période temporelle.

64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Par exemple: année, mois, jour, semaine, matin, soir, janvier, février, lundi, mardi, etc. Les mots exprimant une unité de mesure ne sont pas non plus considérés comme des termes, par exemple: millimètre, mètre, centimètre, kilomètre, mille, gramme, kilogramme, tonne.

Il est possible d’exclure les groupes de mots contenant des expressions caractéristiques des termes administratifs généraux, par exemple: article de la loi, partie d’un article de la loi, conformément à la loi, approuvé par un paragraphe de l’arrêté, conformément aux textes législatifs, gouvernement de la République, État de la République, paragraphe d’un règlement, paragraphe d’une résolution, arrêté ministériel, conformément aux modalités fixées par le ministre, approuvé par le ministre, constitué par le ministre.

Afin de distinguer aussi précisément que possible les termes de l’É&S des termes généraux de manière automatique, deux corpus de comparaison, de même taille que le corpus de textes de l’É&S, soit 4 millions de mots, ont été constitués. Le premier corpus de comparaison se compose de textes appartenant à différents genres et styles; sa structure est similaire à celle du Corpus de la langue lituanienne contemporaine (il comprend des textes de presse, des œuvres littéraires, des textes administratifs et des textes scientifiques). Le deuxième corpus de comparaison est constitué de textes administratifs qui ne relèvent pas du domaine de l’É&S. L’hypothèse était que plus un terme est général, plus il est fréquemment employé dans le corpus général et/ou administratif, tandis que plus il est spécifique, plus il y est rare. Cette hypothèse s’est partiellement vérifiée: par exemple, les termes propres au domaine de l’É&S mobilité, compétence, décrochage, objectif ne se trouvent pas dans les corpus de comparaison, alors que des termes tels que étudiant, université, manuel sont fréquents aussi bien dans le corpus de l’É&S que dans les corpus de comparaison. Cette étude devrait être poursuivie afin de fournir des données fiables sur la mesure dans laquelle la comparaison de plusieurs corpus peut contribuer à distinguer, au moins partiellement et automatiquement, les termes généraux de ceux propres au domaine analysé.

La première question sera examinée plus en détail ci-après: comment déterminer automatiquement la forme canonique correcte des termes (en particulier des termes polylexicaux) et regrouper sous une même forme canonique les mots et les groupes de mots employés dans le corpus sous différentes formes flexionnelles.

L’étude a révélé qu’il n’est pas toujours facile de déterminer la forme vedette d’un terme. Lors de la détermination automatique de la forme canonique, le groupe aukštoji mokykla donne, par exemple, le résultat aukštas mokykla. Cette forme est indiquée parce que, pour les adjectifs, l’annotateur morphologique donne comme forme canonique le nominatif singulier masculin du degré positif (pour plus de détails sur les spécificités de l’annotateur, voir Zinkevičius 2000). Pour les lemmes des termes polylexicaux

Terminologija | 2012 | 19

65

Une analyse syntaxique aiderait grandement à les déterminer. Malheureusement, il n’existe pas encore de programme d’analyse syntaxique réellement opérationnel²². Ainsi, pour déterminer les lemmes, certaines règles supplémentaires sont nécessaires: en l’occurrence, il faut préciser que si le lemme est composé d’un nom, l’adjectif ou le participe doit s’accorder en genre avec ce nom; si l’adjectif ou le participe est défini, cette catégorie doit également être conservée dans le lemme.

La catégorie du nombre soulève de nombreuses questions. Par exemple, le premier élément du terme studentų atstovybė doit être au pluriel; dans les termes akademiniai įgūdžiai, auditorinės darbo valandos, tous les éléments doivent être au pluriel; tandis que dans les termes fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys, les deux éléments sont au singulier. Bien entendu, il n’est pas difficile pour un humain de déterminer où le pluriel est nécessaire et où le singulier convient, mais il est très difficile de le faire automatiquement. Il apparaît toutefois dans le corpus que certains mots sont presque toujours employés uniquement au pluriel (par ex.: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos).

Il est également difficile de déterminer la forme appropriée du nombre, car certains mots sont des homonymes, par exemple studija (« ouvrage scientifique ») et studijos (« études »). C’est pourquoi les lemmes des termes suivants ont été déterminés automatiquement de manière incorrecte: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija. Comme indiqué, certains noms sont généralement employés uniquement au pluriel, bien que le dictionnaire donne leur forme singulière comme lemme. Cette discordance entre les informations du dictionnaire et l’usage réel a entraîné la détermination incorrecte des lemmes des termes mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (les formes attendues sont: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai).

Un autre problème concerne les noms substantiva mobilia, par exemple: abiturientas – abiturientė, abonentas – abonentė. Comme des formes masculines et féminines figuraient toutes deux dans le corpus, les lemmes des deux genres ont donc été indiqués automatiquement. Pour ne conserver que le lemme masculin en tant que terme des sciences de l’éducation, il a fallu appliquer une règle selon laquelle les noms de type substantiva mobilia, au masculin et au féminin, sont ramenés au lemme masculin.

²² Automatinės sintaksinės analizės srityje paminėtini D. Šveikauskienės 2009, E. Rimkutės 2006 darbai. Automatinės sintaksinės analizės programa kuriama VDU Kompiuterinės lingvistikos centre ir iš dalies jau taikoma analizuojant ŠM terminus.

66

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Lors de la détermination automatique des lemmes, l’ordre des mots indiqué est parfois incorrect; ainsi, les formes vedettes suivantes ont été relevées: tipų studija (devrait être studijų tipas), lygmens kvalifikacija (devrait être kvalifikacijų lygmuo).

Comme l’analyse syntaxique n’a pas été appliquée lors de la détermination des lemmes, les déterminants ne s’accordent pas toujours avec le mot qu’ils déterminent, par exemple tarptautinis (= tarptautinio) lygio mokslas, ou d’autres erreurs syntaxiques apparaissent, par exemple: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms).

Des difficultés se posent également pour délimiter les termes: par exemple, dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis constitue-t-il un seul terme, ou faut-il distinguer plusieurs termes ici:

1) la correspondance entre les qualifications et les compétences des enseignants,

2) la correspondance entre les qualifications et les compétences des chercheurs,

3) la correspondance entre les qualifications des enseignants et des chercheurs,

4) la correspondance entre les compétences des enseignants et des chercheurs,

5) les qualifications des enseignants,

6) les qualifications des chercheurs,

7) les compétences des enseignants,

8) les compétences des enseignants,

9) la correspondance des qualifications,

10) conformité des compétences.

Lors de la détermination des lemmes et, plus généralement, de la reconnaissance des termes, des difficultés apparaissent également en raison des particularités de l’annotateur morphologique, qui peut attribuer une partie du discours ou une forme grammaticale inadéquate parmi plusieurs possibilités. Par exemple, si un adjectif s’accorde en genre, en cas et en nombre avec le nom qui l’accompagne, il est très probable que ce groupe soit grammaticalement correct. Les groupes formés de deux noms dont le premier élément n’est pas au génitif ne sont pas toujours grammaticalement corrects. Il faut les examiner plus attentivement, ce qui prend donc davantage de temps. Ainsi, la partie du discours indiquée détermine si le groupe figurera parmi les GT et s’il sera grammaticalement correct. Voici quelques exemples illustrant ce type d’erreur: metinėms (peut être adj. ou nom, l’annotateur morphologique a indiqué nom) ataskaitoms; keliais (peut être pronom ou nom, nom a été sélectionné) procentais; bendrais (peut être adj. ou nom, nom a été sélectionné) teiginiais; uždarus (peut être adj. ou nom, nom a été sélectionné) posėdžius.

En raison de l’indication erronée de la partie du discours et de l’absence d’analyse syntaxique des mots, le groupe trouvé dans le corpus morphologiquement annoté žemiausias balas semble, à première vue, grammaticalement incorrect, car

Terminologija | 2012 | 19

67

les étiquettes indiquées pour le premier mot sont les suivantes: adj., superl., non pronominal, masc., sg., nom.; pour le second: nom, fém., pl., gén., et le lemme indiqué est bala. On constate donc que, dans ce cas, le lemme du nom a été mal déterminé: il devrait être balas. Ainsi, le groupe mentionné précédemment est grammaticalement correct.

Ce chapitre a passé en revue les difficultés les plus fréquemment rencontrées lors de la détermination automatique des termes d’éducation et de science. Ces problèmes et leurs solutions seront abordés dans d’autres travaux.

CONCLUSIONS

Le programme et la méthodologie de détermination automatique des termes doivent encore être améliorés. Néanmoins, les premiers résultats peuvent être jugés assez satisfaisants. Comme le montrent les exemples présentés, l’analyse automatique met en évidence non seulement des problèmes spécifiques et techniques, mais aussi des problèmes auxquels les terminologues sont également confrontés, par exemple le choix de la catégorie du nombre.

Après l’amélioration de l’annotateur morphologique et l’application d’un programme d’analyse syntaxique automatique, la détermination automatique des termes pourrait être réalisée plus facilement et avec davantage de fiabilité.

Malgré les difficultés rencontrées, le programme de détermination automatique des termes accélère considérablement le processus de détermination des GT. Un autre avantage important du processus de détermination automatique des termes est l’objectivité de l’analyse des données.

Il a été établi que 97% des termes d’éducation et de science sélectionnés et examinés automatiquement comptent de 1 à 3 mots. Les termes de deux mots sont les plus nombreux: ils représentent près de 61% de l’ensemble des termes.

Les modèles structurels les plus fréquents des termes d’éducation et de science sont: nom au génitif + nom, adjectif + nom, adjectif au génitif + nom au génitif + nom, nom au génitif + nom au génitif + nom (le dernier nom pouvant être à différents cas).

LITERATŪRA

Bowker L. 2002: Computer-aided translation technology – a practical introduction. University of Ottawa Press.

Cabré Castellví M. T., Estopà Bagot R., Palatresi J. V. 2001: Automatic term detection. A review of current systems. – Recent Advances in Computational Terminology, 53–88.

Grigonytė G., Rimkutė E., Utka A., Boizou L. 2011: Experiments on Lithuanian Term Extraction. – Proceedings of the 18th Nordic Conference of Computational Linguistics NODALIDA 2011. NEALT Proceedings Series, Vol. 11, 82–89.

Rimkutė E. 2006: Morfologinio daugiaprasmiškumo ribojimas kompiuteriniame tekste. Daktaro disertacija.

Rimkutė E. 2010: Lietuvių kalbos terminų automatinio nustatymo galimybės. – Kalbų studijos 16, 71–78.

Rossini Favretti R., Tamburini F., Martelli E. 2001: Words from Bononia Legal Corpus. – International Journal of Corpus Linguistics, special issue, 3–33.

Šveikauskienė D. 2009: Kalbos vientisinių sakinių automatinė sintaksinė analizė. Daktaro disertacija.

Zeller I. 2005: Automatinis terminų atpažinimas ir apdorojimas. Daktaro disertacija. Vytauto Didžiojo universitetas.

Zinkevičius V. 2000: Lemuoklis – morfologinei analizei. – Darbai ir dienos 24, 245–273.

68

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

AUTOMATIC IDENTIFICATION OF SCIENCE AND EDUCATION TERMS USING LINGUISTIC METHODS

The paper deals with possibilities and problems of automatic Lithuanian term extraction. Specifically, linguistic methods are discussed in the domain of Education and Science.

Other researchers have shown that it is almost impossible to have language-independent term extraction tools; this is especially true for tools which are based on linguistic rules. Therefore a linguistic term extraction tool should incorporate methods that would deal with a language’s grammatical system. This paper presents a tool developed at the Centre of Computational Linguistics of Vytautas Magnus University that employs linguistic rules for extracting domain-specific terminology.

In order to extract domain-specific terms automatically, some preparatory work should be completed: compilation of domain-specific corpus (a corpus of four million words has been compiled for this research), morphological annotation of the corpus, formulation of appropriate linguistic rules, and creation of methodology for filtering out irrelevant word combinations.

The paper presents the linguistic rules that have been used for the extraction of Education and Science terms and the results of the extraction procedure. The identified terms are contrasted with approved terms in the Term Bank of the Republic of Lithuania.

Some specific problems of automatic term extraction are discussed in the paper, e.g. number and case agreement of terms in a multi word term.

Gauta 2012-05-17

Erika Rimkutė

Vytauto Didžiojo universitetas

K. Donelaičio g. 52, LT-44248 Kaunas

E. paštas [email protected]

Terminologija | 2012 | 19 6 9