Groupe de travail « Lemmes » – responsable Eliana Magnani (CNRS -LaMOP)
Le groupe de travail « Lemmes » s’est donné pour objectif initial l’aide au développement des outils de lemmatisation des langues médiévales (latin, français, anglais…) et l’incitation à la diffusion des corpus textuels lemmatisés. En effet, encore très peu connue et pratiquée par la communauté des historiens médiévistes, cette opération fondamentale à toute approche des grands corpus est pourtant indispensable dans le cas des langues médiévales très flexionnées et à très grande variation orthographique.
Quatre équipes françaises partenaires de COSME2 (Biblissima, EnC, IRHT, LaMOP) ainsi qu’une équipe allemande (Univ. de Francfort) qui s’est également associée aux travaux du groupe, développent actuellement des « tagueurs » et/ou des paramètres pour des tagueurs préexistants. Avec d’autres partenaires (comme le CESCM), ces équipes diffusent aussi des corpus textuels lemmatisés ou en projet de lemmatisation.
Le groupe de travail compte réunir un à deux ateliers par an pour décider en commun et mettre en œuvre son activité.
Dans ce cadre, le premier atelier (novembre 2017[1]) visait à faire le bilan des outils existants, des points d’achoppement des applications et des orientations et actions à développer. Différents « lemmatiseurs » ont été présentés : Collatinus (Y. Ouvrard, Ph. Verkerk), Pandora (J.-B. Camps), CompHistSem (T. Geelhaar), OMNIA (R. Alexandre), PALM (M. Aouini, C. Fletcher, A. Mairey), avec le constat que, quels que soient leurs objectifs (pédagogiques, lexicographiques, textométriques) ou leurs structures (lexique plus entrainement ; réseau de neurones), tous les outils (tagueurs et/ou paramètres) présentés sont estimés performants à environ 90% (±5%). Ce sont donc les 5-15% d’erreurs qui demandent réflexion, comme la reconnaissance des noms propres (personnes et lieux) qui figurent parmi les erreurs récurrentes d’étiquetage. Par ailleurs, il est apparu nécessaire de réaliser l’évaluation systématique et comparative des outils de lemmatisation.
Le deuxième atelier (juin 2018[2]) s’est articulé autour de ces points : la présentation de deux recherches doctorales sur les entités nommées (M. Auoini, S. Torres), du projet « Opera latina » du LASLA (Univ. de Liège) (D. Longrée, M. Fantoli) et la discussion sur les modalités à adopter pour l’évaluation des outils de lemmatisation. Les débuts des tests donneront l’occasion à la tenue d’un troisième atelier (décembre 2018).
Le groupe s’est engagé également à développer des activités de diffusion (tableau comparatif de la structure des outils et paramètres de lemmatisation) et de formation, à mettre en place à partir de 2019.
[1] Voir le programme : Étaient présents à cet atelier : Renaud Alexandre, Mourad Aouini, Pierre Brochard, Jean-Baptiste Camps, Chris Fletcher, Simon Gabay, Łukasz Gagala, Tim Geelhaar, Jean-Philippe Genet, Marlène Helias-Baron, Estelle Ingrand-Varenne, Fabrice Jejcic, Anne-Françoise Leurquin, Eliana Magnani, Aude Mairey, Yves Ouvrad, Nicolas Perreaux, Coraline Rey, Evgeniya Shelina, Sergio Torres, Philippe Verkerk.
[2] Voir le programme : Étaient présents à cet atelier : Renaud Alexandre, Mourad Aouini, Bruno Bon, Olivier Canteaut, Thibault Clérice, William Diakité, Margherita Fantoli, Simon Gabay, Christopher Geekie, Jean-Philippe Genet, Dominique Longrée, Eliana Magnani, Aude Mairey, Krzysztof Nowak, Yves Ouvrard, Nicolas Perreaux, Coraline Rey, Michał Rzepiela, Sergio Torres, Philippe Verkerk.