Ce carnet traite des principes et des méthodes de la terminologie ainsi que de techno-langagerie. Yvan Cloutier, terminologue

Rechercher sur ce blogue

Cyber-langagerie

mercredi 5 novembre 2008

La liste Eurêka, rien n'a changé

Il y a quelques années je publiais le texte qui suit dans la liste Eurêka. Je constate que les objectifs passés sont encore valides pour la plupart. Au moment de la création je travaillais au Bureau de la Traduction du Gouvernement canadien comme terminologue. Aujourd'hui je suis à la retraite et je consacre presque toutes mes heures de loisirs à Eurêka et j'y trouve un grand intérêt. À ce jour la liste compte au delà de 720 membres très fidélisés semble-t-il. Presque 10 ans et 14 000 messages plus tard la liste Eurêka est toujours là !
----------------------------------------------------------------------------
Réflexion inspiratrice pour la création d'une liste de diffusion

Deux types de ressources utiles pour les langagiers peuvent être discernées dans l'Internet.
D'une part, il y a  les ressources périssables lesquelles sont constituées de pages Web très volatiles et qui témoignant de la mouvance et du caractère ponctuel de la toile mondiale. Celles-ci ne sont pas négligeables puisqu'elles contiennent une terminologie de pointe à laquelle il importe d'avoir accès. 

D'autre part, il y a les ressources non périssables, telles les bases de données et les moteurs spécialisés techniques et scientifiques. Parmi ces ressources, il y a les banques de terminologie, ces pierres précieuses pour les travailleurs du langage, qu'on se doit de collectionner et de consigner,  parce qu'elles sont conçues à partir de méthodes éprouvées dans un but de continuité et de manière à structurer le savoir terminologique sous la forme d'équivalenciers multilingues.

Buts d'Eurêka

Eurêka a pour but principal d'exercer une veille Internet dans tous les domaines liés aux besoins des langagiers afin d'y repérer les ressources pouvant présenter un intérêt. Eurêka analyse, évalue et fait ressortir les aspects des ressources repérées qui sont particulièrement aptes à faciliter la pratique des professions langagières.

Eurêka a aussi pour objectif de repérer et de suggérer à ses membres des moteurs, des bases de données et, particulièrement, des banques de terminologie spécialisées, ces dernières étant plus  propices à combler les besoins des langagiers.

Veille langagière permanente

Afin d'atteindre ses buts, le modérateur d'Eurêka est abonné à des listes de diffusion (et des fils RSS). Les sites d'intérêt repérés par cette veille terminologique éclairée et permanente sont analysés et évalués. Lorsqu'ils présentent un intérêt pour le langagier, il font l'objet de messages dans la liste de diffusion.

La liste de diffusion Eurêka

La liste de diffusion Eurêka est une adresse unique eureka@yahoogroupes.fr sous laquelle sont regroupées les adresses électroniques des abonnés dûment enregistrés. Ces derniers, à condition qu'ils soient membres, peuvent y poster leurs messages (en anglais, en français et en espagnol) lesquels sont automatiquement repostés à tous les abonnés par le robot gestionnaire de la liste.

La liste Eurêka est une excellente façon de profiter d'une veille avertie et raisonnée sur tout ce qui touche langagerie.

Yvan Cloutier, modérateur Eureka




Envoyer un message : eureka@yahoogroupes.fr

S’inscrire : eureka-subscribe@yahoogroupes.fr

Désinscription : eureka-unsubscribe@yahoogroupes.fr

Fondateur de la liste : eureka-owner@yahoogroupes.fr

mardi 4 novembre 2008

Une communauté d'agents intelligents

Les spécialistes de la toile mondiale s'entendent pour dire qu'un mois en temps Internet équivaut à une année en temps réel. La toile mondiale se métamorphose constamment à la vitesse de l'éclair sous les yeux de l'Internaute : une absence d'à peine quelques semaines et le voilà submergé de courriels; de nouveaux sites naissent toutes les secondes, d'autres disparaissent.  

Jacques Attali a très finement  décrit le Web : « Quiconque a essayé un jour d'entrer dans Internet sait qu'il ne faudrait pas parler d'autoroutes de l'information mais plutôt de labyrinthes : gigantesque enchevêtrement de ruelles et d'impasses, de bibliothèques et de cafés, le réseau se compose de mille chemins qui souvent se terminent en impasses. Internet ressemble plus au labyrinthe d'une ville médiévale, sans véritable architecte, qu'au bel ordonnancement d'une autoroute.  Malgré cette agitation incessante et l'anarchie qui y règne, Internet s'est  imposé pour beaucoup comme un outil indispensable dans leurs activités quotidiennes. » 

L'absence de frontières physiques entre les pays dans l'Internet favorise le multiculturalisme et la création de communautés virtuelles de spécialistes dans des domaines très ciblés, ainsi que la libre communication entre les intervenants de ces groupes. La diffusion, la mise à jour et la consultation des documents électroniques se font désormais instantanément, quelle que soit leur provenance dans le monde. 

Internet apparaît comme une grande agora où l'on peut, d'un simple clic de la souris, contempler l'activité humaine de par le monde. Jacques Attali poursuit : « Internet c'est la porte d'entrée dans tout l'univers virtuel, dans ce que j'ai appelé le septième continent, c'est-à-dire un univers nouveau où on pourra faire tout ce qu'on fait dans la réalité : acheter, vendre, travailler, se distraire, faire semblant de vivre, comme on fait dans la réalité d'ailleurs. Donc c'est une nouvelle Amérique. Il y a une loi d'airain qui fait qu'un espace ne peut être véritablement structuré que s'il devient un champ de foire. Internet, l'espace virtuel, va devenir un champ de foire et c'est très bien ainsi.  Or les marchands de cette foire, qui avaient pignon sur rue, n'ont souvent plus qu'une adresse URL, nouvelle mesure de la proximité des clients, qui de concitoyens sont devenus des cybercitoyens . Ce nouvel environnement imposé par le Web, qui est vite devenu un passage obligé pour le commerce, a complètement transformé les lois de la concurrence. Toute entreprise ou organisation qui veut rester un chef de file sur la toile mondiale se doit de veiller (ou d'exercer une vigie) dans son domaine d'intérêt au risque d'être dépassée. »
  
Carlo Revelli, spécialiste de la veille Internet, dans son livre intitulé Intelligence stratégique sur Internet, justifie en ces termes la nécessité de veiller : « L'information se renouvelle à une telle vitesse sur Internet qu'il est humainement impossible de suivre l'évolution de l'actualité d'un secteur économique ou l'apparition d'innovations technologiques. Même si vous obligez une personne à rester branchée nuit et jour sur Internet pour surveiller ne serait-ce que dix sites assez volumineux, vous n'obtiendrez pas de résultats satisfaisants. La quantité d'informations est trop importante pour qu'un être humain puisse détecter tous les changements qui ont eu lieu. »
 
Dans un article publié dans l'Actualité terminologique, Marc Laforge parle de « competitive intelligence » en ces termes : « ... la competitive intelligence est l'utilisation de la surcharge informationnelle à bon escient, disons de manière  intelligente, d'où le nom. Cette activité consiste à trier l'information pertinente, à l'organiser, à la structurer d'une façon cohérente, à en faire la synthèse afin de permettre aux décideurs de prendre des décisions plus éclairées et, au bout du compte, d'acquérir un avantage compétitif sur la concurrence en Europe, on parle surtout et beaucoup d'intelligence concurrentielle. Au Canada, on privilégie « veille concurrentielle ou stratégique »
  
Bernard Dousset, Taoufiq Dkaki et Saïd Karouach, auteurs sur le veille , définissent  « competitive intelligence » comme « la pratique qui englobe les actions de collecte, analyse et diffusion des informations en vue de rendre plus intelligible l'environnement de l'entreprise. En cherchant à anticiper les évolutions du marché par une mise en valeur des informations et des connaissances, la veille a pour objectif d'accroître l'adaptabilité de l'entreprise à son marché. » Ils distinguent la veille commerciale, la veille concurrentielle, la veille stratégique, la veille juridique, la veille scientifique, etc. On pourrait certainement y ajouter la veille langagière, dont l'importance est plus que justifiée par le fait que la barrière linguistique freine la libéralisation de la communication intégrale entre les peuples sur Internet, d'où une prolifération de  mesures palliatives.  

La vitrine mondiale d'Internet ouvre des portes à tous les commerçants du monde qui sont soudainement confrontés au plurilinguisme, d'où l'apparition d'une multitude d'outils langagiers et de technologies permettant d'aplanir les différences linguistiques qui nuisent au commerce électronique : logiciels de traduction automatisée des courriels ou de sites complets, moteurs translingues capables, à partir d'une mémoire de traduction, d'interpréter dans plusieurs langues une demande formulée en langage naturel, et j'en passe.
   
Étant donné que le Web est un passage obligé et que, par surcroît, il contient une quantité astronomique d'informations, toute organisation ou entreprise désireuse de demeurer concurrentielle doit effectuer des activités de veille en mettant sur pied une  cellule de veille. La veille est un processus de mise à jour régulière d'informations. Beaucoup plus qu'une simple recherche thématique, elle consiste à traquer et à recueillir des renseignements, à les synthétiser et à en déduire les conclusions utiles pour l'adaptation de l'organisation à une situation concurrentielle donnée. 

Le traitement de l'information est confié à des professionnels de la recherche qui font partie intégrante de la cellule de veille. Leur travail consiste à repérer les données concurrentielles appropriées et à les passer au crible afin de trouver l'élément informationnel offrant l'avantage concurrentiel recherché. La cellule de veille se compose d'une équipe de veilleurs actifs, qui reçoit l'appui de tous les membres de l'organisation concernée (veilleurs potentiels ou passifs) à qui l'on fait connaître la nature et l'importance des activités de veille. En font partie un spécialiste des systèmes informatiques, un spécialiste de la recherche sur le Web et un spécialiste du traitement des données qui indexe, ordonne et diffuse dans l'organisation les renseignements recueillis.
 
L'équipe de veille doit faire une distinction entre données et  information. Les données sont des renseignements bruts souvent recueillis à partir de moyens machines qui sont susceptibles de servir à établir des relations, des prévisions, sinon des futuribles. L'information est, en général, un ensemble cohérent significatif pour l'organisation, généralement établi humainement à partir des données, que l'équipe doit maîtriser et mettre à la disposition de l'entreprise pour lui donner une position favorable dans un environnement concurrentiel donné. Ces distinctions sémantiques s'établissent selon les étapes suivantes : la validation, qui permet d'établir la pertinence des données brutes; l'indexation des données; la synthèse, qui consiste à interpréter et à résumer les informations; la  diffusion au sein de l'organisation. 

Comme je l'ai déjà mentionné, la quantité de données disponibles sur le Web est astronomique et dépasse les capacités d'acquisition et de surveillance humaines. Les outils traditionnels de recherche tels les moteurs de recherche classiques et les répertoires de toutes catégories, bien qu'utiles pour effectuer les recherches courantes, ne suffisent plus pour accomplir les recherches complexes et pointues qu'exigent les activités de veille. 

Voilà où entre en jeu l'agent intelligent. L'agent intelligent est un assistant électronique ou 
un robot de recherche capable d'effectuer en autonomie des tâches répétitives
d'investigation et de surveillance en tenant compte de paramètres et de filtres imposés par le maître. Il doit posséder les attributs suivants : autonomie, adaptabilité, comportement coopératif, réactivité, aptitude sociale et mobilité. L'agent est autonome lorsqu'il peut tenir compte, sans intervention humaine, des besoins, des intérêts et des objectifs de son maître et prendre les initiatives appropriées. 

On dit que l'agent s'adapte lorsqu'il est capable d'apprendre afin d'interagir avec l'environnement extérieur (c'est-à-dire le monde physique, les humains, les autres agents, l'Internet) de sorte que son rendement s'améliore avec le temps. L'agent est réactif lorsqu'il sait percevoir les changements de son environnement, qu'il peut modifier au besoin. L'agent est dit social lorsqu'il peut interagir avec d'autres agents (et possiblement des humains) à l'aide d'un langage qui lui est propre. Dans un environnement multi-agents, l'agent a un comportement coopératif lorsqu'il est capable de travailler avec d'autres agents dans le but de fusionner les informations afin d'atteindre un objectif commun. Enfin, l'agent est mobile lorsqu'il a la capacité de choisir lui-même une direction et de se déplacer vers un lieu du réseau dans le but d'accomplir ses tâches.
 
Dans la pratique, l'agent intelligent doit donc être capable d'apprendre le profil de son maître, d'en tenir compte et de reprendre une recherche en fonction de nouveaux paramètres, d'éliminer les doublons et d'effectuer la synthèse machine des documents résultant d'une recherche, de mémoriser ses expériences et d'en tenir compte, d'adapter son comportement à son environnement, d'assumer des fonctions automatiques de contrôle, de mémorisation ou de transfert d'informations. 

La principale caractéristique de l'agent intelligent est avant tout sa capacité de veille permanente et son assiduité implacable à effectuer des tâches surhumaines face à la complexité et à la quantité des données à scruter sur la toile. Tous les spécialistes s'accordent pour dire qu'aucune organisation ne peut assurer une veille efficace sans le concours d'agents intelligents. Non seulement ces derniers sont infatigables, mais ils soustraient également le veilleur humain  à certaines tâches routinières et rébarbatives.  

Le veilleur doit donc, au début de sa démarche, collectionner des données à l'aide d'agents intelligents. Cette tâche de cueillette est facilitée par la grande diversité des agents de veille, que l'on peut classifier selon leur mode de fonctionnement et leur spécialisation. D'après le mode de fonctionnement, on peut distinguer les agents agissant selon le modèle du tirer et les agents agissant selon le modèle du pousser, cette distinction étant importante puisqu'elle implique la façon dont l'agent entrera en interaction avec l'utilisateur lors de l'accomplissement de sa mission. 

Les agents de tirer impliquent de la part de l'internaute une démarche active, c'est-à-dire qu'il doit rechercher lui-même l'information. Par exemple, les agents agissant par courriel émettent une alerte postale (exemple : Google Alert) chaque fois qu'une adresse présélectionnée et mémorisée a subi des modifications (mise à jour du texte, changement ou ajout de liens, etc.) ou lorsqu'une demande préalablement ciblée et filtrée produit un nouveau bilan de recherche à partir d'un ou plusieurs moteurs de recherche. 

Parmi les agents de tirer, on peut aussi distinguer les agents d'alerte hors connexion (hors ligne), qui sont des logiciels que l'utilisateur installe sur son ordinateur. Il s'agit d'aspirateurs de sites qui se connectent automatiquement au réseau et permettent la copie de sites entiers sur une unité de disque locale à partir de la racine indiquée. Certains de ces agents demeurent en mode de veille permanente afin de lancer une nouvelle alerte à la suite de modifications apportées sur les pages déjà aspirées. 

Les agents de pousser (comme les fils RSS) collectent les données et les transmettent directement et automatiquement à l'utilisateur sans démarche active de sa part, à intervalles réguliers et selon des directives préétablies. Parmi les agents de pousser, on distingue également ceux fonctionnant hors connexion et ceux agissant en ligne. Les agents de pousser en ligne sont des sites accessibles au moyen d'un identifiant  et un mot de passe qui permettent de personnaliser une page Web affichant les résultats d'une recherche à partir de certains filtres et paramètres. Ces sites permettent de générer de véritables bulletins d'information personnalisés en ligne. Les agents de pousser hors connexion effectuent les mêmes tâches que les agents en ligne mais nécessitent l'installation d'un logiciel client.  

Quel que soit le type d'agent utilisé, l'objectif de la veille est toujours la collection rapide de données très spécifiques qui permettent à une organisation de faire face à la concurrence et de s'assurer une présence prépondérante devant la croissance fulgurante et le gigantisme du Web.  Les agents intelligents,  ces créatures numériques qui habitent le Web et qui y vivent en permanence, s'imposent pour accomplir cette tâche. Ce sont des robots veilleurs assidus, ponctuels et implacables qui surpassent les capacités humaines de résolution et d'assimilation des données.
  
Pour le profane, les agents intelligents peuvent  trouver leur utilité dans le domaine des achats en ligne. L'agent de magasinage, par exemple, s'avérera souvent indispensable devant la taille du Web afin de comparer les prix tout en tenant compte de la qualité des produits. Il sera en alerte 24 heures sur 24 à la recherche de la meilleure offre pour l'achat d'un ordinateur dont les spécifications techniques auront été imposées par l'utilisateur. Ce fidèle serviteur informera régulièrement son maître des meilleurs achats à faire à l'aide d'alertes sous forme de bilans contenant les renseignements pertinents. 

Quoi que que l'on puisse affirmer sur la toile mondiale, il faudra toujours se rappeler qu'elle est en constante mutation. S'il est vrai que la réalité virtuelle change dans le rapport un mois internet égale une année en temps réel, il en va de même des agents.  Donc, au moment de lire ce billet il sera déjà temps pour moi de songer à en faire une nouvelle description! 
  
Sources

  • Carlo Revelli. Intelligence stratégique sur Internet, 2e édition, 1999, 220 pages. ISBN : 2 10 0005154 7. 
  • H.S. Nwana and D.T. Nduma.AAn Introduction to Agent Technology,@BT Technology Journal, Vol. 14, No. 4, ctober 1996.

  • Pattie Maes. AHow to do the right thing,@AI-Laboratory, Vrije Universiteit Brussel and AI-Laboratory, Vrije UniversiteitBrussel, Massachusetts Institute of Technology.
  • Michael Wooldridge and Nicholas R. Jennings. AIntelligent Agents : Theory and Practice,@ Knowledge Engineering Review.
  • David L. Martin, Adam Cheyer and Gowang-Lo Lee. ADevelopment Tools for the Open Agent Architecture.@
  • Andreas Rasmusson and Sverker Jansson. APersonal Security Assistance for Secure Internet Commerce.@
  • Don Gilbert and Peter Janca.AIBM Intelligent Agents @.
  • Philip R. Cohen, Adam Cheyer, Michelle Wang and Soon Cheol Baeg. AAn Open Agent Architecture,@ SRI International, Stanford University, ETRI.



lundi 3 novembre 2008

Resource Description Framework et la terminologie

Le but de ce billet est d'explorer le moteur Sindice qui indexe les métadonnées du Web sémantique et d'illustrer en quoi il est susceptible d'aider le travail du langagier. Voici des citations de Wikipédia au sujet du Web sémantique. Les mots importants sont en gras.

  • « Le Web sémantique désigne un ensemble de technologies visant à rendre le contenu des ressources du World Wide Web accessible et utilisable par les programmes et agents logiciels, grâce à un système de métadonnées formelles ... » Source 

  • « Une métadonnée (mot composé du préfixe grec meta, indiquant l'auto-référence ; le mot signifie donc proprement « donnée de/à propos de donnée ») est une donnée servant à définir ou décrire une autre donnée quel que soit son support (papier ou électronique) . » Source

  • « Resource Description Framework (RDF) est un modèle de graphe destiné à décrire de façon formelle les ressources Web et leurs métadonnées, de façon à permettre le traitement automatique de telles descriptions ... En annotant des documents non structurés et en servant d'interface pour des applications et des documents structurés (pe. bases de données, GED, etc.) RDF permet une certaine interopérabilité entre des applications échangeant de l'information non formalisée et non structurée sur le Web.» Source.

  • « Un document structuré en RDF est un ensemble de triplets. Un triplet RDF est une association : sujet, prédicat, objet. Le sujet représente la ressource à décrire. Le prédicat représente un type de propriété applicable à cette ressource. L'objet représente une donnée ou une autre ressource : c'est la valeur de la propriété. » Source.

  • « Sindice est un moteur de recherche qui permet d'exploiter des données publiées en RDF, qu'elles se trouvent ... dans des fichiers RDF, ou dans des pages HTML sous forme de métadonnées ... Sindice surveille, collecte et indexe ces données ... Ensuite, il met à disposition tout cela sous forme d'API pour qu'on puisse l'utiliser dans une autre application. Sindice est une des briques essentielles du Web of data ... Source »
Voici un interrogation du moteur RDF Sindice : 



  • les guillemets anglais pour forcer la juxtaposition des mots d'unités terminologiques complexes semblent acceptés quoique que je n'ai pu le vérifier sur le site.

  • l'interrogation se fait dans les métadonnées cachées dans les codes de pages Web.

  • le bilan donne un accès direct au fichier RDF ; cliquer sur le libellé en bleu du terme pour accès à la page suivante :

    ==========début de la page des résultats

  • Public-key cryptography, also known as asymmetric cryptography, is a form of cryptography in which the key used to encrypt a message differs from the key used to decrypt it. In public key cryptography, a user has a pair of cryptographic keys—a public key and a private key. The private key is kept secret, while the public key may be widely distributed. Incoming messages would have been encrypted with the recipient's public key and can only be decrypted with his corresponding private key. The keys are related mathematically, but the private key cannot be practically derived from the public key. Conversely, secret key cryptography, also known as symmetric cryptography uses a single secret key for both encryption and decryption. ... (en)
  • La criptografía asimétrica es el método criptográfico que usa un par de claves para el envío de mensajes. Las dos claves pertenecen a la misma persona a la que se ha enviado el mensaje. Una clave es pública y se puede entregar a cualquier persona, la otra clave es privada y el propietario debe guardarla de modo que nadie tenga acceso a ella. El remitente usa la clave pública del destinatario para cifrar el mensaje, y una vez cifrado, sólo la clave privada del destinatario podrá descifrar este mensaje. Los sistemas de cifrado de clave pública o sistemas de cifrado asimétricos se inventaron con el fin de evitar por completo el problema del intercambio de claves de los sistemas de cifrado simétricos. Con las claves públicas no es necesario que el remitente y el destinatario se pongan de acuerdo en la clave a emplear. Todo lo que se requiere es que, antes de iniciar la comunicación secreta, el remitente consiga una copia de la clave pública del destinatario. Es más, esa misma clave pública puede ser usada por cualquiera que desee comunicarse con su propietario. Por tanto, se necesitarán sólo n pares de claves por cada n personas que deseen comunicarse entre sí. (es)
  • Ein asymmetrisches Kryptosystem ist ein Kryptosystem, bei dem jeder der kommunizierenden Parteien ein Schlüsselpaar besitzt, das aus einem geheimen Teil (privater Schlüssel) und einem nicht geheimen Teil (öffentlicher Schlüssel) besteht. Der öffentliche Schlüssel ermöglicht es jedermann, Daten für den Inhaber des privaten Schlüssels zu verschlüsseln, dessen digitale Signaturen zu prüfen oder ihn zu authentifizieren. Der private Schlüssel ermöglicht es seinem Inhaber zum Beispiel, Daten zu entschlüsseln, digitale Signaturen zu erzeugen oder sich zu authentifizieren. Im Gegensatz zu einem symmetrischen Kryptosystem müssen die kommunizierenden Parteien keinen gemeinsamen geheimen Schlüssel kennen. Asymmetrische Kryptosysteme werden daher auch als Public-Key-Verfahren bezeichnet. (de)
  • La cryptographie asymétrique est une méthode de chiffrement qui s'oppose à la cryptographie symétrique. Elle utilise généralement une clé publique (qui est diffusée) qui permet de coder le message et une clé privée (gardée secrète) qui permet de décoder le message. Ainsi l'expéditeur peut coder le message que seul le destinataire pourra décoder. (fr)
  • La crittografia asimmetrica, conosciuta anche come crittografia a coppia di chiavi, crittografia a chiave pubblica/privata o anche solo crittografia a ... »more» (it)
  • 公開鍵暗号(こうかいかぎあんごう、Public key cryptosystem)とは、暗号化と復号に別個の鍵(手順)を使い、暗号化の為の鍵を公開できるようにした暗号方式である。1980年代にかけ、日本で紹介された直後は「公衆暗号系」と訳されていた。 (ja)
  • Bij asymmetrische cryptografie (zoals RSA) wordt gebruik gemaakt van twee aparte sleutels: één sleutel wordt gebruikt om de informatie te coderen (vercijferen) ... »more» (nl)
    ======fin de la page des résultats

  • Noter que les définitions qui précèdent semblent originales (non traduites) et que la langue est indiquée (en gras à la fin des textes).

  • Le page RDF affiche d'autres renseignements terminologiques utiles que je vous laisse découvrir à l'adresse suivante  : http://dbpedia.org/page/Public-key_cryptography.

  • On se trouve ici en présence d'un site qui non seulement peut donner des tarductions mais aussi des définitions aux langagiers. De quoi résoudre des problèmes terminologiques épineux ou sinon fournir des définitions pour la rédaction de fiches.

  • Mieux que les données visibles d'une page il semble que les métadonnées en sont à recréer le Web.
Adresses complémentaires

dimanche 2 novembre 2008

Une mémoire de traduction gigantesque sur le Web, les bitextes

Du point de la recherche d'équivalents, les bitextes sont beaucoup plus

prolifiques que les banques de terminologie. La raison est que les textes

explicatifs « tronqués » servant à attester les fiches dans les banques de

terminologie sont « découpés » à partir de mégatextes inaccessibles lors de

l'interrogation. 


Les bitextes donnent accès à l'intégralité des contenus comme le mentionnent

Claude Bédard et Catherine Arrouart : « Un bitexte constitue en quelque

sorte un «lexique dilué», qui contient implicitement d'innombrables fiches

qu'on n'a jamais pris de temps de créer. Prenant ainsi le relais du fichier

terminologique en bonne et due forme, le bitexte participe à une petite

révolution... On peut puiser dans un bitexte de précieux renseignements de

linguistique et de stylistique contrastives (comment on s'exprime dans tel

domaine, tournures stéréotypées, préférences de tel client, solutions de

traduction, etc.). » (Revue Circuit, numéro 73, automne 2001, p. 30)


Les bitextes existent en quantité impressionnante sur le Web, lieu

incontournable de diffusion des connaissances. Les auteurs de pages Web

doivent avoir recours de plus en plus à la traduction afin de défoncer les

barrières linguistiques sur la toile qui, par définition, se veut sans

frontières. La langue est un obstacle qui résiste encore à l'universalité du

Web, d'où l'offre croissante des travaux de traduction et la prolifération

des logiciels et applications langagiers.


Certes, l'apport des bitextes dans le processus de recherche terminologique

s'impose dans la mesure où la qualité des traductions est assurée. Or la

plupart des grandes organisations mondiales ainsi que certaines sociétés

d'importance ont leur propre services de traduction et de terminologie qui

veillent à la qualité des textes.


Ce qui caractérise la mémoire de traduction du Web c'est qu'elle contient un

langage qui décrit de très près une réalité en perpétuel mouvement. Le Web

n'est-il pas le lieu par excellence de l '« actualité » qui change au même

rythme que les découvertes scientifiques et techniques. La langue du Web

constitue un gigantesque corpus archivé qui témoigne de la vitalité de la

langue.


Les moteurs de recherche indexent constamment le Web : la même page

interrogée deux fois peut avoir été modifiée et Google en tiendra compte

dans les résultats. Les moteurs générateurs de bitextes ne font pas

exception.


À ce titre, le principal avantage de Wapiti sur les mémoires de traduction

est qu'il permet d'interroger « en temps réel » les bitextes plutôt que des

bitextes « déconnectés » stockés dans des bases de données.


Wapiti a été conçu par des langagiers dans le but de faciliter la

comparaison et l'alignement de contenus, la recherche terminologique, la

révision ainsi que le travail de traduction en général. Certaines de ses

fonctions sont identiques à celles que l'on retrouve dans les navigateurs,

le but de ses concepteurs étant qu'il devienne autant que possible un

navigateur langagier.


*Le mot « bitexte » est employé ici dans le sens des textes traduits bien

qu'habituellement il s'agisse de textes traduits alignés automatiquement. »



SITE DE TÉLÉCHARGEMENT DE WAPITI

http://wapiti.net.googlepages.com/download_wapiti_split_browsers

vendredi 31 octobre 2008

jeudi 30 octobre 2008

The MultiSemCor parallel corpus

Mon engouement pour les corpus alignés vous est certainement apparu évident depuis que je publie des messages. J'avais établi dans liste Eurêka un ordre de priorité pour la consultation des ressources lorsqu'un problème terminologique se présente. En voici les grandes lignes :
  1. Banques de terminologie (pour trouver une traduction)
  2. Corpus multilingues alignés (pour trouver une traduction)
  3. Dictionnaires de traduction (pour trouver une traduction)
  4. Dictionnaires généraux définitoires (pour chercher à cerner les concepts)
  5. Les textes spécialisés en ligne ou écrits (pour rechercher un contexte explicatif)
Les textes traduits par des traducteurs professionnels ont une valeur certaine lorsque les problèmes terminologique qu'ils contiennent ont été résolus selon règles de la recherche terminologique, c'est pourquoi je place le corpus alignés au deuxième rang. La mémoire de traduction du monde est devenue gigantesque depuis que le Web existe et on ne peut la négliger. 

MultiSemCor est une corpus aligné de textes anglais<->italien et anglais<->roumain. Je n'ai trouvé aucune mention sur le site qui indique que les textes passent par un moteur commercial avant d'être traités comme c'est le cas par exemple pour les concordanciers WebCorp et WebAsCorpus.

Je ne connais pas de sites qui alignent « live » les bitextes mais ce serait très intéressant que l'on développe ce genre d'interface. Par  « live (en temps réel) » j'entends les applications qui passent par des moteurs commerciaux comme Google ou Alta Vista avant d'établir une liste d'occurrences finale (WebCorp, WenAsCorpus). 

Imaginons par exemple les pages anglaises et françaises des sites du Gouvernement canadien qui, après une interrogation, s'aligneraient à gauche et à droite de l'écran. Il serait alors facile de repérer les traductions « phrases à phrases » en ne perdant rien des subtilités d'expression dans les deux langues.

MultiSemCor est un bel exemple de corpus aligné offrant une intéressante présentation des données réparties et échangées entre les quatre cadres d'un seule page.


Adresse utiles

WebAsCorpus

mercredi 29 octobre 2008

WebAsCorpus.org

Voir aussi mon billet sur WebCorp.
Rechercher dans le Web avec WebAsCorpus me semble plus convivial que de le faire avec Google. Cependant, contrairement à WebCorp qui passe par Google, WebAsCorpus utilise le moteur Live Search de Microsoft.
Voici ce que je retiens des possibilités de ce concordancier qui est susceptible de faciliter le travail des langagiers.
  • son temps de réponse est acceptable, presqu'aussi rapide que Google.

  • il donne accès à des contenus textuels déformatés (sans images, sans scripts, etc.) donc une fois le texte chargé la navigation intra-textuelle se fait beaucoup plus rapidement.

  • options de l'interface :
    @le nombre de caractères avant et après le terme interrogé peut aller jusqu'à 1000 ; sinon on peut accéder au texte complet.
    @le nombre de pages Web que le moteur explore peut être déterminé d'avance soit de 10 à 500.
    @le nombre d'occurrences repérées pour chaque page Web peut être réglé de 10 a 100.
    @le filtre des pays permet de limiter l'interrogation à un ou plusieurs pays.



    Les préférences qui précèdent peuvent être sauvegardées par défaut sur un ordinateur donné pour chaque séance d'interrogation.

  • l'utilisateur peut choisir la langue d'interrogation.

  • le formulaire de recherche avancée comporte des cases d'inclusion et d'exclusion de descripteurs par rapport au terme faisant l'objet de l'interrogation. Il peut être efficace d'inscrire dans ces cases des termes décrivant des domaines généraux afin de limiter le nombre de pages dans le cas de termes polysémiques. La structuration de requêtes avec filtrage par domaines est donc possible comme dans une banque terminologique. Exemple : si on veut trouver les pages portant sur les indiens Cherokee américains et non celles concernant la jeep de marque Cherokee, inscrire le mot « jeep » dans la case Exclude du formulaire de recherche avancée. Beaucoup de formats d'interrogation sont possibles à partir des cases Include et Exclude.

  • le bilan de recherche surligne te terme recherché, exemple : « La bio-informatique est un champ de recherche multi-disciplinaire où travaillent de concert biologistes, informaticiens, mathématiciens et physiciens, dans le but de résoudre un problème scientifique posé par la biologie. Le terme bio-informatique peut également décrire (par abus de langage) toutes les applications informatiques résultant de ces recherches[1]. Cela va de l'analyse du génome à la modélisation de l'évolution d'une population animale dans un environnement donné, en passa... »

  • selon les options sélectionnées le bilan de recherche affiche au début ce qui suit : « Live Search reports 107,000 total hits for "bio-informatique" in French... displaying concordances from up to 50 matching webpages and 30 matches per page, starting with page 1. »

  • affichage des options suivantes au haut de l'écran : « continue this search | zipfile of HTML files | text files | both | search for other concordances 58 docs seen ... when this page is complete, links to download the HTML and / or text files in zipped format will appear above (instant minicorpus!) » donnant la possibilité de constituer un corpus sur un sujet donné.

lundi 27 octobre 2008

WebCorp Linguist's Search Engine (LSE)


Réference et notes

Citation

« WebCorp Linguist's Search Engine is a specially tailored search engine for the study of language on the web. Due to the inadequacies of commercial search engines for studying language on the web it was obvious that a specialised search engine, understanding these needs, is required. 

Armed with years of knowledge in the field of corpus linguistics we developed the WebCorp prototype, which uses commercial search engines to extract results from the web and organises the information for linguistic study. Due to the limitations of the prototype we know that a fully-tailored linguistic search engine, built from top to bottom with these needs in mind, is necessary. We are currently developing the WebCorp Linguist's Search Engine to fulfil this need.  

WebCorp LSE is a search engine formed from a unique architecture to facilitate linguistic study of the web. Web content is downloaded, processed and stored to eventually form a 10 billion word corpus. Source.
 »

Commentaire

Bien que les objectifs des auteurs du LSE soient plutôt du côté de la linguistique informatique, on retrouve ici un intérêt certain pour une forme d'utilisation des outils du Web axée sur les besoins des langagiers. 


dimanche 26 octobre 2008

Concordancier du journal Le Monde

« Bienvenu au concordancier "Le Monde". C'est un outil linguistique gratuit. Le concordancier peut être utilisé à la fois comme un vérificateur d'orthographe, une banque lexicographique des collocations, ou encore comme un recueil des paradigmes morphologiques et de leurs réalisations contextuelles. »

Mon commentaire : la notoriété de la publication et la variété des sujets d'actualités traités apportent une valeur certaine à ce corpus.



Bien que le format de sortie ne soit pas très polyvalent le moteur donne tout de même accès à l'essentiel. Par contre il est impossible d'accéder au texte original. Personnellement je ne comprends pas l'utilité des boutons suivants :






http://www.bultreebank.org/french/login.html

lundi 20 octobre 2008

WebCorp Live et Wapiti


WebCorp est en ligne depuis longtemps mais avait des problèmes de temps de réponse. Étant donné le nombre d'opérations qu'il doit effectuer à la suite d'une requête et son taux de fréquentation il n'arrivait pas à satisfaire la demande. La version actuelle que les auteurs décrivent comme : « An improved version of the original WebCorp, designed to search the web for concordances in real time » est effectivement plus rapide et vaut la peine d'être utilisée.

Voir la liste des améliorations apportées ici.

WebCorp est un concordancier que Wikipedia définit comme suit : « Le concordancier ou logiciel de concordance est un outil de référence très utile aux linguistes qui permet de faire la recherche dans un corpus d'un mot accompagné de son contexte, que ce soit pour attester son usage ou l'étudier. » Le concordancier est un outil inégalé pour déterminer le sens des termes à traduire. Dans le cas de WebCorp l'attrait est que l'on se sert de la puissance de Google et des autres moteurs pour les adapter à une interrogation plus langagière.

Voici des citations sélectionnées du menu d'aide de WebCorp :

« WebCorp is a suite of tools which allows access to the World Wide Web as a corpus - a large collection of texts from which facts about the language can be extracted. »

Mon commentaire : il n'y a pas de corpus plus vaste que celui du Web et le fait de pouvoir l'interroger avec un concordancier est vraiment un atout. Cet outil est plus polyvalent que l'interface des moteurs courants puisqu'il présente comme résultat le mot ou l'expression interrogés dans leur contexte (sans les images, etc.). Une sélection peut être faite du nombre de mots en aval et en amont du terme interrogé (20 mots, maximum de mots ou la phrase est entièrement affichée).








« WebCorp works 'on top of' the search engine of your choice, taking the list of URLs returned by that search engine and extracting concordance lines from each of those pages - examples of your chosen word or phrase in context. All of the concordance lines are presented on a single results page, with links to the sites from which they came ... »

Voici un exemple d'interrogation dans WebCorp :

http://en.wikipedia.org/wiki/Heat_detector
Plain Text Word List
  • Wikipedia, the free encyclopedia Jump to: navigation, search Mechanical heat detector, both rate of rise and fixed temperature operation. A heat detector is a device that responds to changes in ambient temperature. Typically, if the ambient temperature rises above a predetermined threshold
  • normal baseline condition. Any sudden temperature increase that matches the predetermined alarm criteria will cause an alarm. This type of heat detector can react to a lower threshold condition than would be possible if the threshold were fixed. A typical alarm may
  • detectors are not meant to replace smoke detectors in the bedrooms or in the hallway outside of the bedrooms. A heat detector will nonetheless notify of a fire in a kitchen or utility area (i.e., laundry room, garage, or attic), where
  • detectors are not interconnected, heat activation identifies the location of the fire, facilitating evacuation from the home. Each type of heat detector has its advantages, and it cannot be said that one type of heat detector should always be used instead of
  • that one type of heat detector should always be used instead of another. If you were to place a rate-of-rise heat detector above a large, closed oven, then every time the door is opened a nuisance alarm could be generated due to
  • fixed threshold detector would probably be best. If a room filled with highly combustible materials is protected with a fixed heat detector then a fast-flaming fire could exceed the alarm threshold due to thermal lag. In that case the rate-of-rise heat detector
  • heat detector then a fast-flaming fire could exceed the alarm threshold due to thermal lag. In that case the rate-of-rise heat detector may be preferred. [edit] See also Fire alarm Flame detector Aspirated smoke detector Carbon monoxide detector Manual
Mon commentaire : les coupures de textes qui précèdent proviennent de pages Web. Le terme demandé est en contexte et selon le format de sortie choisi le texte peut être plus ou moins brut (en partcilulier format .txt). À remarquer les deux formats de sortie : Plain Text et Word List. Ce dernier format génère un liste de la fréquence d'emploi des mots dans le texte.








Dans l'exemple qui précède, toutes les occurrences du terme interrogé « heat detector » sont hyperliées et cliquables. Chaque lien renvoie à tout le texte original dans lequel le terme est mis en surbrillance. Voici un exemple :

« Each type of heat detector has its advantages, and it cannot be said that one type of heat detector should always be used instead of another. If you were to place a rate-of-rise heat detector above a large, closed oven, then every time the door is opened a nuisance alarm could be generated due to the sudden heat transient. In this circumstance the fixed threshold detector would probably be best. If a room filled with highly combustible materials is protected with a fixed heat detector then a fast-flaming fire could exceed the alarm threshold due to thermal lag. In that case the rate-of-rise heat detector may be preferred. »

Voici d'autres textes du menu d'aide de WebCorp :

« WebCorp is designed to retrieve linguistic data from the Web: concordance lines showing the context in which the user's search term occurs. In response to a user query, standard search engines return a list of URLs (page addresses), along with a description of or some text from each page to help the user decide which pages are most useful. To view the pages, the user must click on each of the links individually ... »

« Google is an excellent search engine but it is not designed as a corpus linguistics tool and is not ideal for this purpose. WebCorp contains options (customisable concordance span, output format, etc) specifically designed for linguistic research. »

Mon commentaire : WebCorp utilise des métacaractères (wildcards) très utiles pour l'interrogation terminologique. On trouvera une liste et des explications ici. Google offre de moins en moins de possibilités pour l'interrogation terminologique par l'utilisation de certains tiers entre le moment du lancement de la requête et la présentation du bilan. Pour ne citer qu'un exemple Google ne tient pas compte des majuscules, ce qui n'est pas le cas pour WebCorp.





Dans le but de limiter l'interrogation à une domaine précis, il est possible possible d'utiliser des filtres.

« Site Domain: This option, when used with the Google, AltaVista, Live Search or Ask search engines, allows you to restrict your search to all of the pages on an individual website or all sites with a given domain.

To search all of the pages on an individual site enter the URL without the 'http://' part. For example, enter www.bbc.co.uk to search all pages on the BBC web site.

To restrict the search to sites with a given domain, enter part of a URL. For example, entering .ac.uk will restrict the search to UK academic institutions, while entering .fr will restrict the search to web sites in France.

Newspaper Domains: This option allows you to restrict your search to a pre-defined set of newspaper websites (currently UK broadsheets, UK tabloids, French newspapers, US newspapers). If selected, these choices override any filter entered into the Site Domain box.

Textual Domain: This option allows you to restrict your search to web pages included in a particular category in the Open Directory (the Yahoo-like web index at http://www.dmoz.org). »
















Le menu d'aide de WebCorp est à découvir je vous invite à le lire pour mieux profiter de cet outil très utile.


Et Wapiti alors ! Wapiti est un navigateur qui permet d'afficher trois pages différentes en même temps de manière à pouvoir comparer des données terminologiques. On peut télécharger Wapiti ici. Voici une manière de combiner WebCorp et Wapiti qui peut être intéressante.

Afficher Wapiti en mode deux fenêtres avec WebCorp à gauche et à droite.



Le terminologue qui rédige une fiche multilingue doit attester l'équivalence des termes en se basant sur la correspondance des définitions dans chacune des langues. Il est donc possible avec l'affichage qui précède de rechercher des occurrences du terme de la langue de départ et de les comparer avec des équivalents possibles de la langue d'arrivée à droite. Exemple : on peut déduire par exemple que l'équivalent possible de « bookmark list » est « liste de signets » : demander les deux termes à gauche et à droite afin de repérer des définitions ou contextes que l'on peut recouper.

http://www.webcorp.org.uk/wcadvanced.html?

Suivis

À mon sujet

Ma photo
Carleton-sur-Mer, Gaspésie, Canada
Cyber-terminologue