Voir la source de CIDE (2004) Enjalbert

{{Wicri travaux|texte=page en cours d'importation}}
{{Titre page article
 |titre=Actualité d’une approche sémantique du document électronique 
}}
{{CIDE boîte bibliographique|texte=
;titre: [[A pour titre::Actualité d’une approche sémantique du document électronique]]
Patrice Enjalbert
1
, Mauro Gaio
2
1
GREYC, Université de Caen,  
Campus II, Bd du Mal Juin
, 14032 Caen Cedex - France 
Patrice.Enjalbert@info.unicaen.fr 
2
LIUPPA, Université de Pau et des Pays de l'Adour, 
Avenue de l'Université, BP 1155, 64013 Pau Cedex - France 
Mauro.Gaio@univ-pau.fr 
}}
__TOC__
{{clr}}
;Résumé:  Nous tentons dans cet article, à partir d’une analyse des contributions à CIDE  7 au sein d’un ensemble plus vaste de  recherches actuelles,  de cerner ce que peut être une approche sémantique du document numérique, d’en discerner les caractéristiques  et  les  lignes  de  force.    Nous  distinguons  ce  qui  relève  des  objectifs et des méthodes, pour nous interroger sur ce qui fonde l’unité de ces travaux sous le signe du « sémantique ». 

Mots-clés : sémantique, docu
ment numérique, méthodologie. 
Abstract:  
In this paper, we try to synthesise 
the various contributions to CIDE 7 among 
a  wider  range  of  current  research,  in  
order  to  determine  what  a  semantic  
approach  of  numerical  document  can  be,  and  draw  out  the  main  trends  and  
characteristics.  We  dis
tinguish  objectives  and  methods,  questioning  on  what  
« semantic » ground the unity of these works can rely. 
Key-words: semantics, numeric
al document, methodology.  
13 
Actualité d’une approche sémantique du document numérique 
==Introduction==
La  décision  de  proposer  le  thème  des  «  approches  sémantiques  »  pour  la  
septième  occurrence  de  CIDE est  liée  à  l’observation  et  à  une  analyse  de  certaines  
tendances actuelles de la recherche concernant les documents numériques.  

Une  première  constatation,  assez  répandue,  touche  aux  limites  qui  paraissent  atteintes  par  les  techniques  «  standard  »  de  recherche  documentaire.  Celles-ci  sont,  
on  le  sait  et  pour  faire  bref,  basées  sur  des  analyses  de  type  statistiques  de  formes  
directement   «   perceptibles   »   par   un   programme   :   les   mots   (ou   graphies)   qui   
constituent un texte. A ces techniques on souhaiterait opposer des méthodes traitant 
véritablement  du  «  contenu  »  des  documents,  même,  et  bien  sûr,  appréhendé  de  
manière  très  partielle  pour  des  raisons  d’efficacité.  Le  gain  attendu  est  à  la  fois  en  
termes  de  rappel  (plusieurs  mots  peuvent  tomber  sous  le  même  concept  objet  de  la  
recherche),  de  richesse  de  l’interrogation  (dépasser  la  combinaison  booléenne  
d’indicateurs), mais aussi d’appréhension par l’utilisateur des résultats de sa requête. 

Une autre version, peut-être moins « radicale », serait de poser le problème en 
termes  d’échelle  du  corpus  documentaire  ciblé  :  au  «  tout  venant  »  des  méthodes  à  
base  d’analyse  de  données,  au  prix  d’une  «  finesse  sémantique  »  moins  grande  —  
des méthodes plus riches, atteignant le « sens » de manière plus profonde, pouvant et 
devant  être  développées  pour  des  espaces  thématiques  plus  restreints  et  des  tâches  
plus spécifiques. 

Liée à cette première préoccupation est la volonté de décrire, de structurer des 
corpus  documentaires,  selon  des  espaces  de  connaissances  —  souvent  baptisées  
ontologies  —  de  référence.  Cette  structuration  étant  réalisée  «  à  la  main  »  au  cours  
de la constitution du corpus, ou bénéficiant de traitements de contenu des documents 
comme   évoqué   plus   loin.   Il   s’agit   de
présenter   à   l’utilisateur   «   l’espace   
documentaire  »  selon  des  concepts  qui  lui  sont  a  priori  familiers,  qui  «  font  sens  »  
pour lui. On reconnaîtra ici le projet du 
« Web Sémantique », qui concerne d’ailleurs 
l’accès à des objets plus généraux que 
des documents (du moins dans une acception 
usuelle) tels que des services de toute nature. 

La  troisième  observation  est  celle  d’un  
essor,  et  de  succès  remarquables,  de  
procédures  de  traitement  du  contenu  «  à  grande  échelle  ».  Certes,  il  s’agit  de  
traitements  relativement  limités,  mais  certains  résultats  nous  semblent  tout  à  fait  
impressionnants. Le cas d’école en la matière est constitué par la technologie dite de 
«  l’extraction  d’information  ».  Nous  reviendrons  plus  loin  sur  cette  technologie,  
mais rappelons ici qu’il s’agit de remplir, à partir de textes courts et ciblés (tels que 
des  dépêches  d’agence)  des  «  fiches  »  
collationnant  les  informations  factuelles  
principales.  Les  meilleurs  systèmes  sont  parvenus  à  une  qualité  de  l’ordre  de  80  %  
par  rapport  aux  performances  humaines  avec  des  temps  de  développement  qui  
deviennent  proches  de  l’industriellement
acceptable.  On  peut  montrer  que  les  
méthodes  développées  dans  ce  cadre  ont  des  retombées  et  des  prolongements  très  
important  en  termes  de  recherche  d’information  «  par  le  contenu  »  comme  évoqué  
plus haut. Une autre remarque cruciale est que ces techniques d’analyse sémantique 
limitée  de  documents  textuels  ont  leur  exact  pendant  dans  d’autres  modalités,  qu’il  
s’agisse  d’images  fixes,  de  vidéo  ou  de  documents  sonores,  notamment  musicaux.  
L’idée d’un accès au « sens », à « l’information elle-même » (encore une fois, fut-ce 
de  manière  partielle)  au  delà  des  formes
directement  perceptibles,  semble  ainsi  
s’imposer comme une direction de recherche crédible « en vraie grandeur ». 

Complétons  encore  par  deux  autres  observations,  que  nous  développerons  
moins ici, mais d’importance. La première concerne plus les « traitements humains » 
que les « traitements machine ». Elle concerne les ''usages spécifiques'' suscités par la 
forme  numérique  du  document  :  c’est  par  exemple  l’idée  de  la  navigation  dans  de  
vastes    ensembles    de    documents,    qui    conduit    à    de    nouvelles    stratégies    
d’appropriation, de « construction du sens ». Ce qu’il convient d’étudier à la fois en 
tant que procédure cognitive nouvelle (donc informative sur la cognition en tant que 
telle) et pour en tirer des indications sur la bonne manière d’organiser la navigation 
et  structurer  les  espaces  documentaires.  L’ultime  remarque  concerne  l’impact  de  la  
disponibilité   de   corpus   numériques,   et   
des   procédures   documentaires   qui   les   
accompagnent, pour des études 
en sémantique On touche-là à certains aspects d’une 
« linguistique de corpus » dont l’actualité n’est plus à démontrer. On peut supposer 
–  mais  les  auteurs  sont  moins  informés  sur  ce  point  –  que  ce  type  de  démarche  se  
développe  ou  peut  se  développer  aussi  par  rapport  à  d’autres  média,  en  terme  
d’analyse de « documents », artistiques par exemple. 

Si l’on partage peu ou prou ces constats, il devient à coup sûr scientifiquement 
pertinent  parler  d’approches  sémantiques  du  document  numérique  et  de  chercher  à  
confronter et mieux asseoir des démarches de ce type. Tel a été l’objectif de CIDE 7. 
L’appel (dont les grandes lignes sont repris
es dans la préface) a été volontairement 
très  ouvert,  de  manière  à  permettre  le  plus  large  «  balisage  »,  avec  le  moins  d’a
priori
possible, de ce nouveau champ.  

Nous  voudrions  maintenant,  en  nous  appuyant  fortement  sur  ces  différentes  
contributions<ref>Dont   l’interprétation   dans   les   lignes   qui   suivent   est   évidemment   de   notre   seule   
responsabilité. </ref>,  tenter  de  préciser  ce  qui  nous  paraît  être  quelques  orientations  de  
recherche  pertinentes  et  prometteuses,  et
esquisser  une  cartographie  possible  du  
champ  de  recherche.  Classiquement,  nous  commencerons  par  la  question  des  
objectifs
, des 
tâches
, visés, avant de nous intéresser aux 
méthodes pour les atteindre 
ou  réaliser.  Nous  pourrons  alors  poser  et  discuter  la  question  de  l’unité de  travaux  ainsi rassemblés, et somme toutes assez divers, sous le signe de la sémantique.

==Objectifs==
Nous  allons  donc  examiner  ici  des  objectifs  de  recherche  –en  relation  avec  le  
document numérique – que l’on peut, à notre sens, et à un titre ou un autre, qualifier 
de sémantiques. Cette qualification est à 
l’évidence problématique si l’on considère 
la diversité des objectifs en question. Aussi tenterons-nous, en même temps qu’une 
description  de  fait,  d’interroger  le  terme  même  de  «  sémantique  ».  En  accord  avec  
l’esprit  d’ouverture  de  l’appel  à  communication  rappelé  plus  haut,  nous  prendrons  
au  sérieux  la  «  revendication  »  par  les  auteurs  d’une  telle  qualification  de  leurs  
travaux,  la  considérant  comme  une  bonne  heuristique  dans  notre  réflexion.  Il  nous  
semble pouvoir mettre en évidence trois champs d’étude (ou trois facettes du même 
champ) que nous allons examiner succincte
ment. Il ne s’agit évidemment pas d’une 
« nomenclature » figée et complète. Mais quelques lignes de force, au moins à titre 
d’hypothèse, nous semblent se dégager. 
===Organisation et description de corpus documentaires=== 
L’optique  est  ici  essentiellement  macroscopique.  Il  s’agit  de  considérer  les  
collections  documentaires et  leur  organisation  et  description  en  vue  d’un  usage  
donné  :  on  retrouve  là  la  problématique  de  l’indexation  en  recherche  documentaire  
(RD)  «  traditionnelle  »,  mais  aussi  la  structuration  hypertextuelle  ou  toute  autre  
structuration  propre  à  «  navigation  »  dans  les  bases  documentaires,  l’organisation  
spécifique  de  documentations  techniques  ou  de  corpus  artistiques  (musicaux  par  
exemple), etc. 

Quelle   peut   être   la   caractérisation   d’une   approche   sémantique   de   la   
question ? Nous proposons l’idée suivante : la mise en évidence d’un certain 
espace 
de 
« valeurs », 
« notions »,  « concepts » (selon  les  points  de  vue  ou  les  
a  priori
théoriques) 
stabilisé et  doté  d’une  
organisation  propre
,  auquel  les  documents  sont  
rapportés
, et qui peut « faire sens » (pour parler intuitivement) pour l’usager.  
Plusieurs  articles  de  la  conférence  peuvent  se  discuter  sous  cet  angle.  Dans  
([[A pour article cité::CIDE (2004) Crestan|Crestan et al.]])<ref>Les références sous cette forme portent sur des articles du présent volume.</ref> deux espaces sont envisagés (dans une finalité de RD classique) : le 
premier   est   structuré   en   «   environ   800   dimensions   »   correspondant   à   des   
« concepts » représentés par des « sacs de mots », et censés permettre de repérer tout 
mot  de  la  langue  française  ;  le  second  est  constitué  d’entités  nommées  
(personnes, lieux,  dates...)  dont  il  faut  bien  voir  que  ce  sont  en  effet  des  
entités concrètes (par  
nature   typées),   différentes   de   leurs   réalisations   langagières,   qui   peuvent   être   
multiples.  (Bénel)  s’intéresse  spécifiquement  aux  documents  archéologiques,  et  à  
l’annotation   de   segments   documentaires,   permettant   une   indexation   et   un   
«  arpentage  »  des  collections,  dans  l’optique  «  d’offrir  (...)  des  assistants  à  la  
construction du sens dans les bibliothèques numériques ». La référence à un corps de 
connaissances archéologiques 
est  extrêmement  nette,  l’un  des  points  traités  étant  la  
gestion  de  points  vue  divers  selon  les  experts.  (Bonardi  et  Rousseau)  étudient  
l’indexation  d’œuvres  musicales  :  ils  montrent  comment  les  collections  de  CD  sont  
actuellement  rangés  selon  des  critères  fixes  de  genre,  auteur  etc.,  critiquent  cette  
pratique  et  prônent  une  approche  centrée  sur  des  notions  de  prototype  et  de  
similarité  :  on  voit  donc  là  un  débat  entre  deux  modes  d’indexation,  un  traditionnel  
qui  serait  sans  doute  celui  des  «  ontologies  »  et  un  mode  original,  d’inspiration  
cognitive  (prototype).  Il  faudrait  encore  mentionner  le  travail  de  (Besson  
et al.)  sur  
les bases d’image mais nous y reviendrons plus loin. 

 

Les  contributions  de  (Charlet  
et  al.
)  et  (Cerbah)  proposent  un  regard  un  peu  
différent. La première présente une mét
hode de constitution semi-automatique d’un 
index d’ouvrage scientifique : pour être bref, disons qu’il s’agit d’une application de 
procédures  d’acquisition  de  terminologie.  Elle  nous  paraît  bien  relever  du  cadre  
proposé  plus  haut,  dans  la  mesure  où  les  auteurs  la  positionnent  (entre  autres)  en  
terme d’ingénierie des connaissances : il s’agirait en quelque sorte de 
faire émerger 
et  d’acquérir  le  corps  de  connaissances  terminologiques
,  auquel  l’ouvrage  pourra  
alors  être  «  rapporté  ».  (Cerbah)  s’inscrit  dans  «  une  approche  structurée  de  la  
documentation  technique  »,  conduisant  à  «  fragmenter  tout  fonds  documentaire  en  
unités  autonomes  au  contenu  clairement  spécifié  »  mises  en  relation  par  des  
hyperliens.  Son  insistance  sur  la  nécessité  d’une  «  interprétation  plus  ou  moins  
profonde  du  contenu  textuel  balisé  »  (pour  être  mis  en  hypertexte)  nous  paraît  de  
nouveau  adéquate  avec  l’ex
igence  mise  en  avant  dans  notre  proposition  d’une  
identification  claire,  en  termes  de  doma
ine  de  connaissance  (ici  :  un  domaine  
technique), de l’espace de repérage. 
Bien  évidemment,  la  problématique  que  nous  décrivons  est  aussi  au  cœur  du  
dit « web sémantique » et de ses fameuses « ontologies ». Quelques remarques pour 
conclure  ce  premier  aspect.  D’abord  pour  souligner  que  la  question  de  cette  
«  indexation  sémantique  »  peut  être  abordée  de  manière  indépendante  de  celle  des  
traitements  :  quels  sont  les  bons  principes  et  modes  de  description/structuration  ?    
L’indexation elle-même pouvant être réalisée « à la main » comme dans (Bénel) ou 
dans beaucoup de travaux du web sémantique. Par contre on peut aussi s’interroger 
sur   la   manière   d’indexer   automatiquement   (ou   semi-automatiquement)   les   
documents   une   fois   le   mode   d’organisation   choisi,   ce   qui   nous   conduit   
inévitablement au problème des traitements « sémantiques » (ou « du contenu » etc.) 
des documents. Enfin, notons que la question se pose quel que soit le média.

===Analyse du « contenu » des documents===
Nous  pourrons  partir  ici  de  la  technologie  dite  de  l’
Extraction  d’Information  
(EI) [{{CIDE lien citation|PIA 97}}] [{{CIDE lien citation|POI 03}}], évoquée plus haut comme emblématique de progrès récents 
en  «  analyse  de  contenu  ».  Il  ne  sera  sans  doute  pas  évident  pour  tout  le  monde  de  
l’appréhender  dans  son  caractère  sémantique.  Beaucoup  d’auteurs,  peut-être  la  
majorité,  y  voient  une  question  «  technologique  »  relativement  neutre,  concernant  
par   exemple   l’utilisation   d’automates   (o
u   transducteurs)   pour   reconnaître   les   
«   motifs   »   ou   «   patrons   »   textuels   porteurs   de   l’information   à   extraire,   et   de   
méthodes  d’apprentissage  pour  acquérir  ces  motifs.  Et  lorsque  des  considérations  
linguistiques sont invoquées, c’est bien souvent sous l’angle de l’analyse syntaxique, 
dite en l’occurrence « légère » (« shallow parsing »).  
Pourtant il est facile de montrer la filiation avec les projets de « compréhension 
automatique » développés en Intelligence Artificielle dans les années 1980, dans une 
mutuelle    fécondation    avec    d’autres    tr
aditions    d’ingénierie    linguistique    et    
documentaire  [DUP  02]  [POI  03].  Or  qui  dit  «  compréhension  »,  automatique  ou  
non,  dit  évidemment  «  sémantique  ».  Le  fait  qu’elle  soit  en  EI  partielle,  limitée  
17

==Références bibliographiques==
[BIL   03]       Bilhaut   F.,   Charnois   T.,   Enjalbert   P.,   Mathet   Y.,   «   Passage   extraction   in   
geographical  documents  »,  
Proc.  Intelligent  Information  Systems  2003,  New  
Trends in Intelligent Inform
ation Processing ans Web Mining
, Zakopane, Poland, 
1-4 Juin 2003, pp. 121-130. 
[CHA 00]   Charlet J. (éd.) « Ingénierie des connaissances », 
Eyrolles
, 2000. 
[CIR 99]     Ciravegna,  F. 
et  al.
,  «  FACILE:  Classifying  Texts  
Integrating  Pattern  matching  
and Information Extraction », 
Proceedings of IJCAI'99
, pp. 890-895, 1999. 
[DUP  02]     Dupont  M.,  Vuillaume  
J.-M.,  Victorri  B.,  Enjalbert  P.,  Mathet  Y.,  «  Nouvelles  
tendances  en  extraction  d’informations  »,  
Techniques  et  Sciences  Informatiques
, 
vol 21 n°1/2002, 2002, pp. 37-64, 2002. 
[ECO 85]   Eco U., « Lector in Fabula », 
Le livre de Poche, Coll. "Essais"
, n°4098, 1985. 
[ENJ 96]    Enjalbert P., « De l'interpréta
tion (sens, structures et processus) », 
Intellectica
, vol 
23, n° 2, pp. 79-120, 1996. 
[GAI   01]   Gaio   M.,   «   Traitements   de   l’info
rmation   géographique   :   
représentations   et   
structures », 
Mémoire  d’Habilitation  à  Diriger  les  Recherches
,  Université  de  
Caen, 2001. 
[MIN 03]   Minel J.-L., « Filtrage sémantique. Du 
résumé automatique à la fouille de textes », 
Hermès
, 2003. 
{{CIDE biblio
 |id=PIA 97
 |texte= Piacenza M.-T., (éd.), « Information Extraction », Springer Verlag, 1997.
}}
{{CIDE biblio
 |id=POI 03
 |Auteur=Poibeau T.
 |texte=« Extraction automatique d’information », Hermès, 2003.}}
[VIN  02]       Vinet  H.,  Herrara  P.,  Pa
chet  F.,  «  The  CUIDADO  Project  »,  
Proc.  Int.  Conf.  On  
Music Information Retrieval
, IRCAM, Paris, 2002, pp. 197-203. 
[VOO   01]   Voorhees   E.   «Overview   of   the   
TREC   2001   Question   Answering   Track   »,   
http://trec.nist.gov/pubs/trec10/
t10\_proceedings.html, 2001.

==Notes==
<references/>
__SHOWFACTBOX__