collocations

Ce travail s’inscrit dans la continuité de celui de plusieurs personnes, qui ont déjà construit un modèle et ses caractéristiques pour classer des copies de tests de français (pour l’obtention du statut de résident ou de la naturalisation, en France ou au Canada), ceci dans un premier temps jusqu’à un niveau intermédiaire, puis sur l’ensemble des niveaux de langue A1 à C2 du Cadre européen commun de référence pour les langues (Coe, 2001).
De nombreuses études ayant démontré que les collocations au sens large, c’est-à-dire aussi sous leur aspect « collostructions » (collocations qui prennent en compte la structure grammaticale [Stefanowitsch and Gries, 2003], [Paquot, 2018]) permettent de départager entre eux les apprenants de niveau avancé (B2 à C2), nous allons donc créer des caractéristiques qui en sont issues, pour non seulement tenter d’améliorer le modèle existant, mais aussi utiliser des indicateurs pédagogiquement parlants car linguistiquement pertinents ([Valette and Eensoo, 2014] et non pas uniquement distributionnels.

Le figement lexical est un phénomène central du langage et les expressions figées représentent une importante proportion du lexique de toute langue. Leur détection demeure un des enjeux du TAL. Après avoir effectué un résumé détaillé de l’état de l’art dans ce domaine, ce mémoire présente une méthode non supervisée permettant de détecter la formation de nouvelles expressions figées au sein de corpus diachroniques d’articles de presse en français. On utilisera un modèle LDA (allocation de Dirichlet latente) pour extraire les expressions les plus représentatives du corpus que l’on considèrera comme des candidats au figement. Puis, partant du principe établi par les linguistes qu’une expression est figée si ses termes n’admettent pas d’être remplacés par des synonymes, nous utiliserons des plongements de mots pour établir une liste d’expressions synonymes pour chaque expression candidate. Enfin, nous calculerons l’évolution au fil du corpus du taux d’apparition d’une expression par rapport à ses « synonymes » (nous dresserons automatiquement pour chaque candidat une liste de potentiels synonymes en remplaçant les mots de l’expression candidate par des mots dont la représentation en vecteur est similaire).

Notre thématique de recherche est le développement d’un outil pour la détection des variantes morphologiques dérivationnelles dans un corpus spécialisé ici un corpus médical.

Notre méthode pour construire une base morphologique dérivationnelle est basée sur le regroupement des mots morphologiquement proches qui se trouvent dans un corpus spécialisé. Cette méthode se fonde sur l’observation que les mots morphologiquement apparentés se trouvent à proximité, à une courte distance, dans une fenêtre textuelle d’une taille comparable à celle d’un paragraphe.

Les regroupements sont réalisés en utilisant une technique de cooccurrences en choisissant une fenêtre de n mots.

Les cooccurrences sont calculées par un filtrage statistique basé sur le rapport de vraisemblance(likelihood ratio). Un filtrage morphologique sur la « racine » commune permet ensuite de déterminer les mots morphologiquement apparentés. Cette méthode est appliquée à un corpus du domaine médical de 7 millions de mots.

Ce mémoire tente une analyse et une évaluation de l’utilisation de fonctions lexicales dans la constitution d’une ressource de collocations. Les fonctions lexicales utilisées s’inspirent des fonctions lexicales du Dictionnaire Explicatif et Combinatoire de Igor Mel’cuk et al. mais s’en éloignent. Ce travail explique la démarche adoptée pour la constitution de la ressource et évalue l’intérêt de l’utilisation des fonctions lexicales.