Contenu du sommaire : Un corpus annoté en chaînes de référence et son exploitation : le projet DEMOCRAT

S'il existe déjà plusieurs corpus annotés manuellement en expressions référentielles et en chaînes de référence, il n'en existe aucun pour la langue française, ou alors pour des annotations qui relèvent plus de l'anaphore que de la coréférence. Le projet DEMOCRAT a produit un tel corpus, avec qui plus est une dimension diachronique. Sa conception a posé un ensemble de difficultés non seulement linguistiques mais aussi au niveau de l'homogénéité des annotations, de leur vérification et de l'évaluation de leur qualité. C'est cette dimension que nous proposons ici d'explorer et de discuter, en nous focalisant sur les conventions d'annotation et l'évaluation des annotations obtenues, procédure impliquant un calcul de l'accord inter-annotateurs. Cet article met ainsi en perspective le contenu du corpus democrat, pour légitimer les exploitations qui en seront faites.

Les expressions référentielles qui désignent exactement le même référent constituent les maillons d'une chaîne de coréférence. Il arrive que le référent d'une expression soit difficile à identifier précisément et soit impliqué dans une relation de coréférence floue. Ce phénomène ne pose pas de problème lors de la lecture d'un texte mais peut générer des difficultés lors de l'annotation de corpus en coréférence. Nous proposons une analyse de l'annotation de certains marqueurs vecteurs de flou référentiel dans le corpus democrat, annoté en coréférence stricte. Ces marqueurs ont généré des conduites d'annotation différentes. Pour homogénéiser ces conduites, nous proposons des précisions à ajouter au manuel d'annotation ainsi que la prise en compte de la coréférence floue dans le schéma d'annotation.

De nombreux travaux s'accordent pour considérer que l'introduction des référents dans un texte opère notamment au moyen de SN indéfinis, ce que modulent la plupart des études sur corpus, peu nombreuses pour ce qui est du français. L'objectif de cet article est de faire le point sur les modalités d'introduction référentielle à partir du corpus democrat où, dans une dizaine de textes de genres variés du XXe siècle, nous recensons les 960 ‹premières mentions› pour montrer que les SN indéfinis ne servent pas massivement de premier maillon et que les catégories utilisées à cette fin dépendent des genres/domaines de discours et de la catégorie ontologique des référents.

La présente étude évalue le rôle des expressions coréférentielles dans la segmentation et la structuration des textes dans un corpus diachronique de textes narratifs annotés dans le cadre du projet DEMOCRAT. La structure textuelle varie : le découpage en paragraphes est systématique dans les textes modernes mais majoritairement absent dans les textes médiévaux. Notre étude montre que les chaînes de référence (CR) contribuent à délimiter la structure des textes anciens alors que, dans les textes modernes, les CR fonctionnent conjointement au découpage textuel. Au-delà de leur rôle dans des cas de concurrence référentielle, les redénominations participent au changement de structure par le mono-marquage ou le poly-marquage. Le passage de l'un à l'autre semble conditionné par l'évolution de la forme et de l'écriture littéraire du Moyen Âge au XXe siècle.

Cet article analyse l'influence des facteurs distance et fréquence d'apparition des référents sur la saillance des entités référentielles du discours. Des tests de khi2 et de V de Cramer ont été réalisés après l'exploitation des données textuelles. Les résultats montrent que, globalement, l'influence de la distance est plus prononcée que celle de la fréquence. Selon la nature des textes, l'influence de la distance (respectivement la fréquence) peut être plus ou moins importante (respectivement significative). Cette variation s'expliquerait par le fait que l'influence d'un facteur peut être restreinte par (ou tributaire de) l'impact d'autres facteurs tels que la longueur du texte ou la centralité du personnage principal. Ainsi, une analyse multifactorielle plus approfondie serait utile pour prendre en compte non seulement l'importance relative de divers facteurs potentiels mais aussi de l'interaction entre eux.

La détection automatique de chaînes de coréférences pour le français est encore un domaine assez peu exploré, entre autres en raison du développement tardif de ressources annotées adaptées. democrat, premier corpus de français écrit de grande envergure annoté en chaînes de coréférences, rend possible l'utilisation de techniques d'apprentissage artificiel pour combler ce manque. Dans ce travail, nous présentons le système DeCOFre, premier système de détection des chaînes de coréférences pour le français parlé, et étudions son utilisation pour le traitement de democrat. Nos expériences montrent que ce système n'est pas robuste au changement induits par le passage de l'oral spontané à l'écrit et suggère que les particularités de democrat pourraient être mieux prises en compte par des architectures plus riches que celles des systèmes end-to-end omniprésentes dans l'état de l'art récent.