Search

Reducing the complexity of texts by applying an Automatic Text Simplification (ATS) system has been sparking interest in the area of Natural Language Processing (NLP) for several years and a number of methods and evaluation campaigns have emerged targeting lexical and syntactic transformations. In recent years, several studies exploit deep learning techniques based on very large comparable corpora. Yet the lack of large amounts of corpora (original-simplified) for French has been hindering the development of an ATS tool for this language. In this paper, we present our system, which is based on a combination of methods relying on word embeddings for lexical simplification and rule-based strategies for syntax and discourse adaptations. We present an evaluation of the lexical, syntactic and discourse-level simplifications according to automatic and human evaluations. We discuss the performances of our system at the lexical, syntactic, and discourse levels.

International audience

Since 2016, the tour de CLARIN initiative has been periodically highlighting prominent user involvement activities in the CLARIN network in order to increase the visibility of its members, reveal the richness of the CLARIN landscape, and display the full range of activities that show what CLARIN has to offer to researchers, teachers, students, professionals and the general public interested in using and processing language data in various forms. In 2019, we expanded the initiative to also feature the work of CLARIN Knowledge Centres, which offer knowledge and expertise in specific areas provide to researchers, educators and developers alike. Initially conceived as a series of blog posts published on the CLARIN website, Tour de CLARIN soon proved to be one of our flagship outreach initiatives, which has been released in the form of two printed volumes. this third volume of tour de CLARIN is organized into two parts. In Part 1, we present the six countries which have been featured since January 2020: Norway, the United Kingdom, Germany, France, South Africa, and Iceland. Each national consortium is presented with five chapters: an introduction to the consortium, their members and their work; a description of one of their key resources; the presentation of an outstanding tool; an account of a successful event for the researchers and students in their network; and an interview with a renowned researcher from the Digital Humanities or Social Sciences who has successfully used the consortium’s infrastructure in their work. In Part 2, we present the work of the six Knowledge Centres that have been visited since the publication of the second volume in November 2019: the Impact-CKC K-Centre, the Knowledge Centre for Polish Language technology, the Phonogrammarchiv Knowledge Centre, the Knowledge Centre for Atypical Communication Expertise, the LUND University Humanities Lab Knowledge Centre, and the Spanish Knowledge Centre. Each Knowledge Centre is presented with two chapters: a presentation of what the K-Centre offers to researchers, and an interview with a renowned researcher who has collaborated with the K-Centre.

Nous présentons la base PolylexFLE, contenant 4295 expressions polylexicales. Elle est integrée dans une plateforme d'apprentissage du FLE, SimpleApprenant, destinée à l'apprentissage des expressions polylexicales verbales (idiomatiques, collocations ou expressions figées). Afin de proposer des exercices adaptés au niveau du Cadre européen de référence pour les langues (CECR), nous avons utilisé une procédure mixte (manuelle et automatique) pour annoter 1098 expressions selon les niveaux de compétence du CECR. L'article se concentre sur la procédure automatique qui identifie, dans un premier temps, les expressions de la base PolylexFLE dans un corpus à l'aide d'un système à base d'expressions régulières. Dans un second temps, leur distribution au sein de corpus, annoté selon l'échelle du CECR, est estimée et transformée en un niveau CECR unique.

International audience; L’article présente une étude des propriétés linguistiques (lexicales, morpho-syntaxiques, syntaxiques) permettant la classification automatique de documents selon leur genre (articles scientifiques et articles de vulgarisation), dans deux domaines différentes (médecine et informatique). Notre analyse, effectuée sur des corpus comparables en genre et en thèmes disponibles en français, permet de valider certaines propriétés identifiées dans la littérature comme caractéristiques des discours académiques ou de vulgarisation scientifique. Les premières expériences de classification évaluent l’influence de ces propriétés pour l’identification automatique du genre pour le cas spécifique des textes scientifiques ou de vulgarisation.

L’accès à de grandes bases de données juridiques provoque des besoins particuliers : les requêtes donnent des résultats en trop grand nombre. Le système DARES que nous avons développé propose à l’utilisateur une aide pour réorganiser ces réponses : les documents sont découpés en fragments, les fragments sont ensuite sélectionnés selon certains critères et utilisés pour produire un document de synthèse hyper textuel. Nous décrivons ici une application de ce système relativement générique au traitement de la législation consolidée. The access to large document bases of legislative texts induces new user needs: answers to user queries are too numerous. The system DARES that was developed by the authors helps the user to re-edit information contained in the returned documents. They are cut into fragments and these fragments are then selected and sorted according to several criteria. The result is a new synthetic hyper-textual document. The example presented here concerns the European Community consolidated laws.

International audience; This work aims to generate adapted content for dyslexic children for French, in the context of the ALECTOR project. Thus, we developed a system to adapt texts at the discourse level. This system modifies coreference chains, which are markers of text cohesion, by using rules. These rules were designed following a careful study of coreference chains in both original and simplified text versions. Moreover, aiming to evaluate the reliability of the proposed transformation rules, we analysed several coreference properties as well as the concurrent simplification operations in the aligned texts. This information is coded together with a coref-erence resolution system and a text rewritten tool. The proposed system comprises a coreference module specialised in written text and seven text transformation operations. Firstly, we evaluate the text simplification results by manual validation of three judges. The identified errors were grouped into five classes that combined can explain 93% of the errors. The second evaluation step consisted of measuring the simplification perception by 23 judges, which allow us to measure the simplification impact of the proposed rules.

We present SimpleApprenant, a platform aiming to improve French L2 learners’ knowledge of Multi Word Expressions (MWEs). SimpleApprenant integrates an MWE database annotated with the Common European Framework of Reference for languages (CEFR) level and several Natural Language Processing (NLP) tools: a spelling checker, a parser, and a set of transformation rules. NLP tools and resources are used to build training and writing exercises to improve MWE knowledge and writing skills of French L2 learners. We present the user scenarios, the platform’s architecture, as well as the preliminary evaluation of its NLP tools.

International audience

International audience

International audience

Nous etudions les indicateurs de la cohesion (chaines de reference et anaphoriques) par rapport a la complexite des textes au sein de deux corpus francais qui s’adressent a plusieurs types de public (enfants/adultes pour le premier, apprenants de FLE pour le second). Cette etude a comme objectif la modelisation des aspects de cohesion textuelle des textes en vue de faciliter leur accessibilite pour les lecteurs. Pour ce faire, nous avons annote les chaines de reference dans les deux corpus. Nous comparons les proprietes de ces chaines (longueur, nature des maillons, fonctions syntaxiques), en relation avec le niveau de difficulte, dans des textes informatifs et narratifs.

International audience

International audience

International audience

The purpose of this paper is to describe an automatic topic detection system for French, using two types of cohesion markers: lexical markers and referential markers, as reference chains. Our study focuses on the automatic identification of reference chains in order to determine the most salient referent in a textual segment. We propose a new symbolic method for reference computation, based on the salience of referential expressions. For each candidate, the salience is fixed. The reference computation method combines three elements: a hierarchy of referential expressions based on the Accessibility Theory, some genre-based parameters and the syntactic function of each expression. In addition, antecedent-anaphora candidates verify some lexical, morpho-syntactic and semantic constraints. The automatic topic identification is then performed by combining the reference chains with a similar lexical head of the first mention., Nous présentons un système de détection automatique de thèmes pour le français qui utilise deux marqueurs de cohésion : les marqueurs lexicaux de surface et les marqueurs référentiels, tels que les chaînes de référence. Notre étude se focalise plus spécifiquement sur l'identification automatique des chaînes de référence qui permet de déterminer le référent le plus saillant dans une portion textuelle. Dans la lignée de méthodes symboliques de calcul de la référence, nous proposons une nouvelle méthode de calcul basée sur la saillance des expressions référentielles. Pour chaque candidat, la saillance est fixe et la méthode de calcul prend en compte trois éléments : une hiérarchie d'expressions référentielles basée sur la théorie de l'accessibilité, des paramètres liés au genre textuel et la fonction syntaxique de chaque expression. De plus, les candidats antécédent-anaphore vérifient une série de contraintes lexicales, morpho-syntaxiques et sémantiques. L'identification des thèmes d'un document s'effectue alors en regroupant les chaînes de référence dont la tête lexicale est similaire.

This paper presents a research paper from the lexical semantics domain. The project aims to provide a complete conceptual description of the relation chief (establishing a hierarchy inside a group of humans or an organisation). The second goal of the project is to define a trilingual lexicon, structured by domains, identifying this relation. For our purpose, we study linguistic data from monolingual and multilingual, parallel and comparable corpora, available in English, in French and in German. The corpora have been tagged, lemmatized and annotated for proper names. A multilingual base of lexico-syntactic patterns has been defined to automatically extract chief relation., La présente contribution fait état d'un projet de recherche dont l’objectif principal est de conceptualiser la relation chef (une relation de hiérarchie s'établissant à l'intérieur d'un groupe ou d'une organisation) du point de vue de la sémantique lexicale. Le deuxième objectif de ce travail est de définir un lexique trilingue (structuré par domaine) identifiant cette relation. Pour proposer une description complète de la relation chef, nous avons étudié d’un point de vue contrastif des données extraites de corpus monolingues et multilingues (parallèles et comparables) en français, en anglais et en allemand. Les noms propres de ces corpus ont été étiquetés, lemmatisés et annotés. Des patrons lexico-syntaxiques permettant une extraction automatique des expressions linguistiques de la relation chef ont été définis dans les trois langues.

In this paper we present some experiments on the building of French resources for the TTL POS tagger (Ion, 2007). TTL is a collection of interconnected text preprocessing modules (sentence splitter, tokenizer, tagger, le mmatizer and chunker) with resources for Romanian and English but with no resources available for French. We show how we develop the required POS tagging training corpus and that the average POS tagging accuracy for French exceeds 97% when TTL is trained on this corpus.

We present a system for collocation extraction, using both monolingual and bilingual aligned corpora. The system combines statistical methods and contextual linguistic properties of the collocations. From the list of collocation candidates, we built a multilingual collocation dictionary., Le projet "Collocations en contexte : extraction et analyse contrastive " a comme objectif principal le développement d'un système d'extraction semi-automatique de collocations, qui exploite des corpus alignés. Un deuxième objectif est de constituer un dictionnaire multilingue de collocations, à partir des candidats collocationnels proposés par le système d'extraction. Dans cet article, nous présentons les outils d'extraction et la structure du dictionnaire multilingue.

Dans cet article, nous présentons un projet de recherche, CLASSYN, ayant commeobjectif l'identification automatique des propriétés syntaxiques permettant la classificationdes documents selon leur genre textuel. Notre système de classification a été appliquéà plusieurs langues (allemand et français) et à plusieurs domaines (médical,informatique). Nous nous focalisons sur l'analyse linguistique effectuée sur les corpusfrançais et les propriétés identifiées pour caractériser des textes de vulgarisation et desarticles scientifiques.

In this paper, we present several experiments with a hybrid French-Romanian word alignment system. We combine statistical methods and linguistic resources (heuristic rules using linguistic information, dictionaries). The experiments evaluate the influence of various linguistic resources on the overall system's results. We use GIZA++ as a baseline system and we iteratively add cognates, collocations and heuristic rules to correct some alignment errors. For our experiments, we use training and evaluation corpora extracted from a freely available legal parallel corpus (DGT-TM). The results show that linguistic resources significantly improve the quality of the alignment., L'article présente plusieurs expériences réalisées pour l'entrainement d'un système hybride d'alignement lexical. Le système combine méthodes statistiques et ressources linguistiques (base de règles héuristiques, dictionnaires électroniques). Les expériences évaluent la contribution de chaque ressource linguistique à l'amélioration du système. Nous avons utilisé comme système de base GIZA++ et nous ajoutons les cognats, les collocations et des règles héuristiques pour corriger les erreurs d'alignement. Pour notre expériences nous avons utilisé des corpus d'entrainement et d'evaluation du domaine juridique (DGT-TM). L'utilisation des ressources linguistiques améliore la qualité des résultats.