CIDE (2004) Enjalbert

Actualité d’une approche sémantique du document électronique

---

 
 

titre Actualité d’une approche sémantique du document électronique auteurs Patrice Enjalbert(1) et Mauro Gaio(2) Patrice.Enjalbert@info.unicaen.fr Mauro.Gaio@univ-pau.fr Affiliations (1) GREYC, Université de Caen, Campus II, Bd du Mal Juin, 14032 Caen Cedex - France (2) LIUPPA, Université de Pau et des Pays de l'Adour, Avenue de l'Université, BP 1155, 64013 Pau Cedex - France In CIDE'07 (La Rochelle 2004) Mots-clés  sémantique, document numérique, méthodologie. PDF accessible Via l'ensemble des actes : doc:actes/Actes-Cide7.pdf

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 ».

La suite de cette page est un simple copier/coller à partir d'un support tel que PDF ou Word. Il a été laissé en ligne dans l'état pour permettre une sélection de type « full text » par le moteur de recherche du wiki. Sa présence permet également d'améliorer la cohérence sémantique du wiki. Nous avons donc préconisé une approche opportuniste où les améliorations et finitions sont réalisées en fonction des besoins des utilisateurs de ce wiki. Toute contribution pour améliorer la présentation est bienvenue.

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 reprises 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, 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 succinctement. 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 (Crestan et al.) deux espaces sont envisagés (dans une finalité de RD classique): lepremier 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 méthode 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’exigence mise en avant dans notre proposition d’une identification claire, en termes de domaine 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) (Poibeau, 2003), 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 (ou 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 traditions d’ingénierie linguistique et documentaire. Or qui dit «  compréhension  », automatique ou non, dit évidemment «  sémantique  ». Le fait qu’elle soit en EI partielle, limitée orientée, ciblée ... n’y change rien

Nous n’insisterons pas d’avantage ici sur cette technologie, non représentée en tant que telle dans CIDE 7. Mais nous pensons qu’elle a constitué une véritable rupture dans l’histoire des traitements automatiques du « contenu » textuel et constitue à ce titre un repère méthodologique majeur. Par ailleurs, nous esquissons dans (Dupont, 2002) quelques pistes pour des travaux en sémantique linguistique, susceptibles de repousser certaines « limites» des systèmes actuels.

A priori, l’EI constitue une tâche disjointe de la Recherche Documentaire ou Recherche d’Information (RI) traditionnelle: dans le modèle « de base », des techniques de RD sont mises en œuvre en amont d’un système d’EI, pour extraire d’un flux textuel les documents qui, de par leur thématique, sont susceptibles d’être traités. En fait la situation est aujourd’hui beaucoup plus riche et complexe, et la recherche a largement évolué vers un croisement entre méthodes d’EI d’une part, et tâches et techniques(éventuellement requalifiées) de RD/RI de l’autre. De nombreux exemples en témoignent, caractérisés par: 1) des requêtes « structurées », dépassent le traditionnel assemblage de mots ; et 2) une recherche de « motifs » textuels (comme en EI) susceptibles de les « matcher » en un sens ou un autre.

Exemple: « Trouvez les documents (ou segments documentaires) concernant les transactions financières en Europe d'un montant supérieur à 1 MEuro » (Ciravegna, 1999) ou « le retard scolaire dans l ’Ouest dans les années 1980 / la sécurité maritime dans la Manche » (Bilhaut, 2003).

Le représentant le plus avancé de cette tendance est la technologie dite des systèmes de Question/Réponse («  Question Answering  »), dans lequel il s’agit de répondre automatiquement à des questions telles que : « Qui est l’auteur du "Dernier tango à Paris", Quels autres films a-t-il réalisé récemment  ?  », ou (dans un manuel Unix) : « Comment fait-on pour changer les droits d’accès? Que fait la commande "tar"  ». On trouvera sur les sites de TREC de nombreuses références sur cette nouvelle problématique de recherche (Voorhees, 2001). Avec des objectifs plus classiques, deux articles de CIDE 7 proposent des analyses de contenu au service de tâches de type RD, (Crestan) déjà mentionné et (Hurault-Plantet). (Valette) pose une question un peu différente  : le problème est d’identifier les sites web racistes. L’auteur y montre qu’une analyse de contenu assez fine et débarrassée de beaucoup d’a priori communs est nécessaire  : prise en compte de la mise en forme visible au delà du lexique lui-même (le rouge et les majuscules sont de bons indicateurs de sites racistes), importance du contexte (les termes a priori racistes/non racistes s’échangent de manière étonnante), importance du « genre » (ici : pages web), etc.

Nous abordons maintenant une question très intéressante, et représentée significativement dans CIDE 7, à savoir un parallèle frappant entre ces problématiques textuelles et des travaux qui se développent pour des documents relevant d’autres média  : image, vidéo, son. La question de l’accès à des bases d’images à travers non des légendes ou autres descriptifs (ou pas seulement), mais grâce à une analyse des images elles-mêmes, apparaît aujourd’hui comme une nécessité, posant d’ailleurs des problèmes scientifiques et techniques difficiles. Il en est de même pour la vidéo et le son.

Dans cette problématique de l’accès au contenu, si la tendance majeure est sans doute aujourd’hui d’identifier ce «  contenu  » à des traits, des descripteurs, disons «  physiques  » (dominances de couleur, de textures, spectres de fréquences...) une tendance se développe qui se positionnera par exemple en termes d’ interprétation d’image. Autrement dit, une tendance que l’on peut effectivement qualifier de sémantique. Nous nous référerons ici à deux contributions de CIDE 7.

Les travaux de (Besson et al.) concernent la constitution de bases d’images, et se positionnent d’emblée dans une démarche intégrant cette dimension sémantique. Les auteurs discutent explicitement ce qui peut opposer des approches «  syntaxiques  » et «  sémantiques  ». Les premières correspondent précisément pour eux à l’extraction de paramètres physiques,tandis que les secondes «  consistent à réduire l’image à un ensemble d’objets sémantiques (identifiés par leur signification dans le monde réel) reliés éventuellement par des relations sémantiques (qui correspondent à une interprétation de l’image comme reproduction du monde réel)  ». On peut discuter la référence au «  monde réel  » comme critère de « sémanticité », mais le contraste avec les «  paramètres physiques  » n’en est que plus patent.

Notre seconde référence sera pour les travaux de Hugues Vinet (Vinet). Nous nous référerons ici particulièrement au projet CUIDADO (Vinet, 2002) visant à développer un système de «  Navigation dans des bases de données musicales  ». Il s’agit en fait d’un projet très riche, mais dont un des aspects sera de pouvoir répondre (par une sélection d’œuvres) à des requêtes du type  : «  Je veux des morceaux à tempo rapide, de type Rock / des morceaux proches de ceux-ci / constituer un programme de tempo de plus en plus rapide, avec plus de 60  % de vocal féminin ». Cela est réalisé par une combinaison / enchaînement de modèles et de traitements  : traitement du signal, modèles perceptifs, symboliques, cognitifs, modèles de description de contenu...

Les dernières «  couches  » intègrent donc, comme on le voit sur l’exemple, un véritable niveau symbolique, relevant de connaissances musicales élaborées allant jusqu’à une notion de genre musical (ici, le Rock). L’examen détaillé du modèle en couches proposé fait apparaître un parallèle saisissant avec les tâches et niveaux d’analyse en langue.

Finalement, revenant aux documents textuels, nous voudrions relever dans cette rubrique une série d’autres travaux non réductibles à des tâches d’EI/RI, mais impliquant une authentique analyse de contenu. Il s’agit de travaux qui se situent plus dans une perspective théorique (linguistique en l’occurrence) qu’applicative, que l’on peut rapidement situer comme «  analyse textuelle  ». Ici, c’est plutôt les technologies du document numérique qui sont mises à contribution pour un travail de sémantique linguistique plutôt que l’inverse. Cette tendance est représentée dans

4 Cf. infra section 4. Nous dirions que la référence à des «  objets et relations  » issus d’un domaine d’expérience et de connaissances nous situent bien dans le cadre proposé en 2.1. CIDE 7 par (Lessard et al.) et (Leblanc).

Le premier s’intéresse à la détection d’une forme particulière, mais récurrente, de structuration du discours narratif : les « topoï narratifs  » qui évoquent en quelque sorte, dans des contextes très divers, des scénarios plus ou moins stéréotypés. Le second étudie les occurrences du «  je présidentiel  » dans les discours de vœux de bonne année, et cette étude est précisément l’occasion de réflexions méthodologiques sur l’utilisation des techniques d’analyses de cooccurrences dans une perspective herméneutique.

2.3 Segmentation et structuration de documents

Ce troisième aspect est plus délicat à cerner, mais clairement présent dans CIDE 7. Deux articles sont particulièrement typiques  : (Cerbah) déjà cité, et (Smolczewska, Lallich-Boidin). Ce dernier se présente comme cherchant « à définir un modèle de structuration et d’enrichissement de l’information technique qui constituera la base de la construction d’une représentation du contenu du document technique à partir de son texte intégral (...) résultat de plusieurs étapes intermédiaires telles que :

• 1. La segmentation du document en unités d’information autonomes ;
• 2. La caractérisation du contenu de chaque unité ;
• 3. Le filtrage des unités pertinentes par rapport aux unités non pertinentes pour l’utilisateur ;
• 4. La construction de liens entre les unités exprimant des parcours de lecture

possibles. »

Les second et troisième points nous renvoient aux deux aspects précédemment discutés. Ce qui est nouveau ici sont l’importance attachée aux opérations de segmentation et de mise en relation hypertextuelle des segments ainsi délimités. Cela nous paraît à peu de chose près la même problématique et les mêmes objectifs que ceux de (Cerbah), avec également en vue le document technique (mais avec des méthodes différentes).

Tout se passe comme si une certaine structuration du texte, en terme de segments interreliés, était une composante à part entière de la «  perception sémantique  » d’un document par un lecteur. Cette perception étant révélée par les parcours de lecture.Les dispositifs proposés par ces auteurs tentent alors de repérer automatiquement cette structure pour aider le lecteur dans sa découverte. En fait, il nous semble que cette démarche est aussi un des aspects du travail de (Charlet et al.), puisque les index pointent sur le texte (structuration), renvoyant à des segments dont la définition, «  l’empan  », (segmentation) est considéré par les auteurs comme une tâche importante et difficile : « la difficulté étant de sélectionner les [occurrences d’un terme] les plus pertinentes et de définir la taille de l’empan de texte auquel il est pertinent de renvoyer  ». On pourrait aussi voir dans un domaine non représenté dans CIDE 7, le résumé automatique, une occurrence de l’approche «  structurelle  ». Nous pensons ici particulièrement au résumé «  par extraction  », dans lequel il s’agit de repérer des segments de texte pertinents pour constituer un résumé — et tout en gardant un lien sur le document original, dans une perspective de navigation intra-documentaire (Minel, 2003). Est-ce là une question et une approche « sémantique » ? Nous y reviendrons dans la quatrième partie.

Finalement il nous semble que cette préoccupation « structurelle » est aussi au cœur d’un article très différent, à savoir (Boukottaya, Vanoirbeek). L’article pose le problème de correspondances entre XML-schémas, de manière à «  échanger des données XML entre applications Web autonomes et hétérogènes  ». Ce qui est ici significatif de notre propos est la fonction sémantique de la structurationmême, qui nous semble exprimée par les auteurs, lorsqu’elles parlent « d’information sémantique nichée dans la structure du document »

(« semantic informationnested within the document structure  »). «  La sémantique est d’abord capturée à travers l’explicitation de la signification du nom des éléments, et ensuite à travers l’analyse du point de vue du concepteur du XML-schéma, exprimée par l’organisation logique du contenu XML (...) ».

3.Méthodes

La question que nous posons maintenant est la suivante : Y a-t-il des méthodes spécifiques d’une approche sémantique  ? Et/ou des regards particuliers sur des méthodes «  plus générales  »  ? Ici, plus que jamais, la réflexion est prospective, l’enjeu étant de réfléchir sans a priori aux moyens à mettre en œuvre pour réaliser des objectifs tels que présentés ci-dessus. Nous distinguerons trois «  types  » de méthodes, en remarquant d’emblée que les applications les combinent en général.

3.1 Méthodes sémiotiques propres aux différents médias

C’est évidemment la première caractéristique possible d’une approche sémantique. Rappelons que le terme «  sémiotique  » désigne l’étude des divers systèmes de signes, quels qu’ils soient  : ici donc le texte, l’image, la vidéo, le document sonore, et sans oublier la dimension «  hyperdocument  ». Une «  approche sémantique  » va donc souvent se référer à une connaissance relativement élaborée du « fonctionnement » de ces différents « mode sémiotiques ».

Un certain nombre de travaux de CIDE 7 déjà mentionnés entrent dans cette « rubrique » : (Besson et al.) mettent en œuvre des méthodes d’analyse et d’interprétation d’image  : (Vinet) développe un modèle sémiotique complet du document musical ; (Cerbah), (Smolczewska,Lallich-Boidin), (Charlet), (Crestan et al. ) réfèrent à des modèles linguistiques, avec une composante sémantique forte, du lexique (Cerbah) au discours (Smolczewska, Lallich-Boidin), (Lessard et al.). Nous avons déjà eu l’occasion (section 2.2) d’insister sur la dimension sémantique de

l’Extraction d’Information et de mentionner nos propres recherches pour développer des méthodes en rapport — au delà d’ailleurs de l’EI stricto sensu, jusqu’à des applications en Recherche d’Information et en structuration de documents composites.

D’autres auteurs font une référence peut-être encore plus explicite à une théorie sémantique particulière. C’est le cas de (Valette) avec la sémantique différentielle de François Rastier, qui trouve là une application particulièrement originale et stimulante au «  web  », débouchant sur une approche non triviale — en gros «  anti-ontologique  », et intégrant des facettes variées, non exclusivement linguistiques au sens usuel du terme. (Perlerin, Ferrari) se réfère également à la sémantique différentielle avec une application à la détection des métaphores et un prolongement plus large sur la conception d’outils d’exploration de textes. Enfin (Dutoit et al.) proposent une réflexion personnelle très «  amont  » sur le thème «  forme et sens  », autour des applications industrielles développées par ces auteurs en ingénierie linguistique.Toutes ces tentatives illustrent une voie de recherche qui nous semble fondamentale, et susceptible (à plus ou moins long terme, il est vrai) de contribuer significativement à repousser certaines limites de l’ingénierie documentaire évoquées en introduction.

3.2 Ingénierie des connaissances

Ce second aspect a en fait déjà été introduit dans le «  schéma  » proposé en section 2.1. Il est aussi, à l’évidence, porté par la communauté du «  Web Sémantique  » et ses «  ontologies  » et autres formats de description de contenu (RDF, Topic maps etc.). Toute personne familière avec l’IA reconnaît dans ces formats des avatars de formalismes de représentation des connaissances développés dans les années 80 — avec une tentative d’application «  en vraie grandeur  » particulièrement réjouissante.

Il s’agit donc ici d’insister sur la nécessaire prise en considération du facteur « ingénierie des connaissances » dans une approche sémantique du document. Cette conception va à l’encontre de bien des idées reçues et de bien des pratiques courantes. L’idée communément admise est effet plutôt que seuls des «  traitements de surface  », «  de la forme  » sont possible, pour une double raison de temps de développement et de temps de calcul.

Il y aurait à s’interroger sur la prégnance de cet a priori méthodologique. Tradition de la RD  ? Méconnaissance des acquis de l’ingénierie des connaissances, en termes de méthodes et d’outils ? Tradition linguistique volontiers formaliste (le «  primat de la syntaxe  »)  ? On pourrait engager un débat salutaire... Mais il nous semble que l’histoire est en train de trancher. Le «  Web sémantique  » gèrera des connaissances ou ne sera pas. Les combinaisons Ingénierie des connaissances /

Ingénierie linguistique sont devenues une réalité solide (voir par exemple tout ce qui touche à l’extraction de terminologie) (Charlet, 2000). L’EI a de longue date bien mis en évidence, et les besoins impératifs en ingénierie des connaissances, et la possibilité de développer des méthodes «  légères  » («  shallow knowledge  ») appropriées (Piacenza, 1997).

3.3 Méthodes de structuration du document

La dernière « facette » considérée ici concerne la structuration du document. Il s’agit donc au départ de méthodes on ne peut plus «  généralistes  » et « ingénieuriales », mais qui trouvent ici des applications et, peut-être, un « regard » particuliers. On pense ici typiquement aux technologies XML et hypermédia. En fait, presque tous les articles de CIDE 7 utilisent les premières, et beaucoup les secondes (dans le but de faciliter la navigation ou autre «  arpentage  » de bases documentaires). Aux articles déjà cités ajoutons (Blanchon, Boitet), dans le domaine de la traduction automatique interactive. Le système proposé enrichit le texte par des annotations portant sur les segments reconnus comme ambigus par le logiciel de traduction. Ces annotations sont en quelque sorte dynamiques, et ouvrent une boîte de dialogue permettant à l’utilisateur de choisir parmi plusieurs traductions proposées. Cette contribution nous paraît significative d’une idée somme toute assez simple, mais peut-être fructueuse : l’enrichissement du texte apportant des nouveaux «  éléments de sens  » et susceptible d’aider le lecteur à sa propre «  interprétation  ». Et insistons encore, sur (Boukottaya, Vanoirbeek) qui, on l’a vu, proposent une appréhension proprement sémantique d’XML lui-même, à travers la notion de matching / correspondance de XML schemas. Se dessine ainsi, pensons-nous, un domaine à explorer  : quels outils de structuration / annotation développer à l’appui d’approches sémantique  ? Et comment, en retour, donner une assise sémantique à ces outils ?

4.Conclusion  : qu’est-ce qu’une «  approche sémantique » du document numérique ?

Le parcours que nous venons d’opérer, autour des contributions à CIDE 7, d’un ensemble de travaux actuels qualifiables de «  sémantiques  » à un titre ou un autre laisse apparaître une belle variété d’objectifs et de méthodes. La question se pose alors de l’unité de ces problématiques. Par ailleurs, il semble évident que cette diversité questionne la notion même de sémantique. Le sujet est trop ancien et parcouru de courants philosophiques, linguistiques, sémiologiques... trop divers pour espérer proposer une réponse « claire et définitive » ! Pour autant il nous paraît tout à fait pertinent de nous poser la question du «  fait sémantique  » en regard des nouvelles pratiques à l’œuvre dans le document numérique  : à la fois pour éclairer ces dernières, et pour apporter peut-être un regard nouveau, ou renouvelé, sur le «  fait  » en lui-même. Nous tenterons donc dans cette dernière section de repérer quelques lignes de force transverses émergeant, nous semble-t-il, des travaux examinés , sans manquer de se poser la question critique de l’apport concret, pratique, d’un point de vue sémantique ainsi qualifié au développement des technologies documentaires.

4.1 Dimensions d’une sémantique du document

Trois «  dimensions  » nous paraissent particulièrement caractériser un «  regard sémantique  » sur le document. Précisons bien encore ici qu’il ne s’agit pas de « découper » un ensemble d’objectifs ou de méthodes qui seraient disjointes d’autres pratiques documentaires, mais de cerner certaines manières de les aborder.

1. Une dimension Document-Connaissances

Ce point a déjà été présenté en section 2.1. Une caractéristique majeure, peut- être même «  la  » caractéristique essentielle et quasiment définitoire du «  fait sémantique  » est de rapporter une donnée (perçue ou déjà construite comme signe) à un espace de référence accepté ou posé à un moment déterminé par le lecteur. C’est cet espace que nous appellerons ici «  connaissances  » selon la tradition en Intelligence Artificielle et parce que ce terme marque bien l’idée d’une certaine «  stabilité  » de l’espace en question. Par ailleurs le terme convient bien dans la mesure où beaucoup de documents ont une fonction informationnelle. Il pourrait être problématique ou partiel pour des documents artistiques, par exemple – tels que les documents musicaux – et demander alors un certain élargissement, respectant l’idée générale de référence stabilisée. Cette notion de connaissance nous paraît également reprendre, de manière plus appropriée, l’idée de «  référence au monde réel  » constitutive de nombre de sémantiques formelles du langage, et reprise ici à propos de l’image par(Besson et al.)  : en vérité, l’idée d’une telle référence directe au monde «  tel qu’il est  » paraît surprenante à propos de documents images dont on sait les transformations numériques (quand ce n’est les travestissements) qu’il peuvent subir.

La médiation par une notion de « connaissance », de « représentation du monde » paraît nécessaire. Quoi qu’il en soit, le fait de porter attention à un «  niveau Connaissance  » extérieur en quelque sorte aux documents eux-mêmes, et dont l’élaboration fait partie de l’ingénierie documentaire, paraît bien émerger de nombre de travaux analysés ci-dessus.

2. Une dimension Document-Document

Il y a deux facettes à cette dimension. La première est de noter que de nombreux traitements vont se traduire in fine par la création de nouveaux documents, enrichissant d’une manière ou d’une autre le document (ou l’ensemble de documents) traité. On pense là par exemple à des index, qui restent évidemment liés aux documents, notamment au moyen d’hyperliens. Mais aussi aux annotations diverses des documents telles que les entités nommées d’un (Crestan), ou les annotations de désambiguïsation de (Blanchon, Boitet). Un autre exemple typique est celui du résumé automatique.

Le schéma est ici celui d’un ajout de nouvelles informations, intégré au document ou, ce qui revient au même, notées dans un nouveau document relié au document traité.La seconde dimension (non exclusive de la première) concerne l’idée de structuration du document. Découvrir l’organisation d’un document, sa structure, semble faire partie intégrante de l’activité de «  lecture  », comme relevé dans la section 2.3. C’est aussi une perspective clairement et avec force énoncée dans (Vignaux). C’est toute la problématique de l’hyperdocument qui se dessine ici en perspective. On pourrait donc évoquer ici une sémantique à la Peirce, reprise notamment par U. Eco (Eco, 1985) présentant le sémiotique comme renvoi de signe à signe . Avec probablement des actualisations importantes liées aux technologies employées. Une direction importante, pensons-nous, pour « penser le document numérique ».

3. Une dimension Humain-Document

Finalement, il convient évidemment de ne pas oublier l’utilisateur humain qui prend connaissance du document. Remarquons que cette problématique n’est pas toujours présente  : ainsi dans le modèle «  classique  » de l’Extraction d’Information, les traitements visent à constituer des bases de données à partir des faits extraits des textes traités : un support d’information qui n’a donc plus rien à voir avec les documents initiaux. Mais à côté de ces approches, il en existe d’autres dont une préoccupation importante est précisément la prise en compte de l’appropriation du document par le lecteur, et des moyens d’y aider. Il est frappant que l’idée de «  navigation documentaire  » soit présente en quelque sorte «  en perspective  » dans de nombreux articles de CIDE 7, quel que soit le centre d’intérêt principal.Mais c’est évidemment encore (Vignaux) qui développe avec le plus de force et de détails ce point de vue. L’étude en temps que tels des modes d’appropriation du document et des moyens, appuyés sur les technologies numériques, d’y aider, constitue donc bien une des facettes d’une approche sémantique.

4.2« Qu’est-ce qu’on gagne ? »

Nous pensons avoir ainsi dégagé quelques points de convergence forts qui constituent (ou  : participent de) l’unité d’approches revendiquées comme sémantiques. Le lecteur sceptique pourra néanmoins se demander ce qu’apporte un tel regard sur le document. N’est-ce qu’un habillage théorique particulier sans conséquence pratique  ? Nous pensons que non, et voudrions pour conclure relever un certain nombre de points sur lesquels l’apport méthodologique nous paraît important. 6 « Un signe, s'adresse à quelqu'un (...) crée (...) un signe équivalent, ou peut-être un signe plus développé » (Peirce).

1) L’identification du (des) « problème(s) » et de son (leur) ampleur.

S’il est effectivement question in fine de « faire du sens » pour l’utilisateur, alors, qu’on le veuille ou non, on est confronté aux questions complexes qui caractérisent «  le sémantique  ». Le savoir peut éviter des impasses, par exemple la recherche de progrès exclusivement dans des techniques d’analyse de données basées sur des « formes pures  » — ou des déconvenues prévisibles  : par exemple, on peut penser que les travaux actuels sur le «  Question Answering » mésestiment gravement l’ampleur des problèmes à traiter.

2) Un point de vue unificateur entre différents médias, entre différentes tâches pouvant se combiner.

De plus en plus nous aurons à traiter de documents multimédia. Si l’on en reste aux technologies, aux procédés de calcul, les traitements risquent de longtemps diverger. Un point de vue sémantique — ou, en l’occurrence, sémiotique— peut nous permettre de penser l’intégration des différentes informations et supports.

3) Un décloisonnement des méthodes

Il est trop souvent convenu d’opposer méthodes numériques et linguistiques, linguistique et ingénierie des connaissances, reconnaissance et interprétation d’image, traitement du signal et niveau symbolique... Alors même que de plus en plus de travaux mêlent ces différents niveaux (voir ici (Cerbah), (Charlet), (Vinet) par exemple). La reconnaissance d’objectifs communs « de haut niveau » peut laisser la place à l’intégration de ces techniques et méthodes.

4) Le développement de méthodes sémiotiques spécifiques

Nous pensons qu’un investissement «  de fond  » en relation avec des théories relativement approfondies des différents «  modes sémiotiques  » (langue, image, son, vidéo...) est une des voies pour progresser, qu’il s’agisse de «  traitement du contenu  » ou «  d’appropriation humaine du document »

5) Un « retour théorique »

Inversement, le développement d’une telle approche du document numérique est de nature à renouveler nos conceptions du fait sémantique, ne serait-ce que parce que s’offre ainsi un champ d’expérimentation et d’objectivation totalement nouveau. La « linguistique de corpus » (ici dans sa composante sémantique) en a déjà pris conscience depuis quelques temps et indique en quelque sorte une voie prometteuse.

Références bibliographiques

[F. Bilhaut, (2003) T., Charmois Y., Mathet] ↑ Bilhaut F., Charnois T., Enjalbert P., Mathet Y., « Passage extraction in geographical documents », Proc. Intelligent Information Systems 2003, New Trends in Intelligent Information Processing ans Web Mining, Zakopane, Poland, 1-4 Juin 2003, pp. 121-130.

[J. Charlet, (2000)] ↑ Charlet. J., « Ingénierie des connaissances », (éd.) Eyrolles, 2000.

[F. Ciravegna, (1999)] ↑ Ciravegna F., « FACILE: Classifying Texts Integrating Pattern matching and Information Extraction », Proceedings of IJCAI'99 pp. 890-895, 1999.

[M. Dupont (2002) M., Vuillaume B., Victorri Y., Mathet] ↑ Dupont M., « Nouvelles tendances en extraction d’informations », Techniques et Sciences Informatiques », vol 21 n°1/2002, 2002, pp. 37-64, 2002.

[U. Eco (1985)] ↑ Eco U., « Lector in Fabula », Le livre de Poche, Coll. "Essais", n°4098, 1985.

[P. Enjalbert (1996)] ↑ Enjalbert P., « De l'interprétation (sens, structures et processus) », Intellectica, vol 23, n° 2, pp. 79-120, 1996.

[M. Gaio (2001)] ↑ Gaio M., « Traitements de l’information géographique: représentations et structures », Mémoire d’Habilitation à Diriger les Recherches, Université de Caen, 2001.

[J-C. Minel (2003)] ↑ Minel J-L., « Filtrage sémantique. Du résumé automatique à la fouille de textes », Hermès, 2003.

[M.-T Piacenza (1997)] ↑ « Information Extraction », Piacenza M.-T., (éd.), Springer Verlag, 1997.

[T. Poibeau (2003)] ↑ « Extraction automatique d’information », Hermès, 2003.

[H. Vinet (2002) Vinet H., Herrara P., Pachet F.,] ↑ « The CUIDADO Project », Proc. Int. Conf. On Music Information Retrieval, IRCAM, Paris, 2002, pp. 197-203.

[E.M. Voorhees (2001)] ↑ «Overview of the TREC 2001 Question Answering Track », http://trec.nist.gov/pubs/trec10/t10\_proceedings.html, 2001.

Notes