Archives de catégorie : Actualité

Développement d’un module de comparaison d’annotations textuelles

De nombreuses tâches de traitement automatique des langues, en particulier parmi celles d’extraction d’information pour lesquelles le logiciel Unitex/GramLab est utilisé, sont évaluées par comparaison avec un étiquetage manuel, en utilisant des métriques classiques de type précision, rappel et F-mesure. Le développement d’un module de comparaison de deux fichiers de textes annotés, contenant le même texte mais avec des annotations différentes (par exemple attribuées manuellement pour le premier texte, automatiquement pour le second), serait donc intéressant pour Unitex/GramLab.

Un premier pas dans cette direction est fait avec la publication du logiciel libre Gemini, codé en Java. Cet outil calcule diverses métriques, dont la signification est détaillée dans la présentation de l’outil sur GitHub, pour comparer deux fichiers de texte annoté (au format BRAT ou XML) :

Gemini permet également de construire une représentation visuelle de cette comparaison sous forme d’une page web où les annotations mises en correspondance apparaissent de deux couleurs différentes :

Il permet enfin d’exporter un fichier tableur contenant l’ensemble des appariements d’annotations effectués :

Le début du développement de Gemini a été fait par Coline Mignot, étudiante du DUT Métiers du multimédia et de l’internet à Champs-sur-Marne, lors d’un stage de deuxième année d’un mois, encadré par Philippe Gambette en juillet 2017, et financé par le projet Eclavit. Cette première version est fondée sur l’algorithme de recherche d’un couplage maximum dans un graphe biparti aux arêtes pondérées, pour la mise en relation des annotations des deux fichiers.

Le développement de cet outil a été poursuivi pendant le stage de master 1 de Yuheng Feng, étudiant en master d’informatique à l’Institut Gaspard-Monge, encadré par Tita Kyriacopoulou, Claude Martineau et Philippe Gambette, de mai à juillet 2018, financé par le LIGM. Cela a permis d’aboutir au code actuel de Gemini, logiciel libre sous licence LGPL v3.0.

Programme of the ECLAVIT workshop

At the crossroads between humanities, social and computer sciences and statistics, digital data processing addresses various issues: oral or written productions hypotheses testing, journalistic, political, literary or web corpus exploratory analyses, opinions visualization, data extraction, a.s.o.

The aim of this workshop is twofold: to explore the different methods of analysing and visualizing textual corpora data, and to discuss the latest developments in the field.

The event will hence be conducted in two parts: on Friday, November 24th, noteworthy projects on the topics listed below will be presented at the Université Paris-Est Marne-la-Vallée, and on Saturday 25th, a data processing workshop will be held in one of the computer labs of the Université Paris-Est Créteil.

Friday, November 24th – Posters and round tables

UPEM (Université Paris-Est Marne-la-Vallée)
Building: Bâtiment La Centrifugeuse
5 boulevard Descartes – Champs-sur-Marne
77454 Marne-la-Vallée Cedex 2

  • 9:30 – Welcome coffee
  • 10:00 – Conference opening: Benoît Lesaffre, ex-Vice Chancellor, Université Paris-Est
  • 10:15 – Plenary session: Short oral presentations of posters
    • Lexical analysis for cliodynamics: Artificial intelligence processing of the Google Ngram database. Jérôme Baray (UPEC-IRG)
    • Trilingual thematic corpus. Lionel Shen (Paris 3-CLESTHIA)
    • Induice fragments of local grammar to analyze thousands of lines of concordance. Andrew Salway (Uni Research, Bergen – Language and Language Technology Group)
    • Analyzing digital corpus, taking into account web graphs and variations: the example of an online petition. Jean-Marc Leblanc (UPEC-CEDITEC), Christine Barats (Paris Descartes-CEDITEC), Anne Dister (Université Saint-Louis), Marie Pérès (UPEC-CEDITEC), Philippe Gambette (UPEM-LIGM)
    • CODEXT, an English-French Translation Corpus designed for contrastive studies. Françoise Doro-Megy, Lucie Gournay (UPEC-IMAGER-LIDIL12)
    • P-Leader Multifractal Analysis for Text Type Identification. Roberto Leonarduzzi (ENS Lyon)
    • Translating patient related narratives into SNOMED-CT to enable interoperability of healthcare data. Vasiliki Foufi (Geneva University Hospitals and University of Geneva-SIMED)
    • Crossed perception of places: two corpus-based studies, Catherine Domingues, Carmen Brando, Margion Cargill (EHESS)
    • Annotation of co-reference with SACR, a new “drag- and-drop” tool. Bruno Oberle (Université de Strasbourg-LilPa)
    • TreeCloud, Unitex: increased synergy. Claude Martineau (LIGM)
  • 11:00 – Session Posters / Démonstrations d’outils
  • 12:30 – Buffet
  • 14:00 – Round table – Corpus. Animated by Cédrick Fairon (CENTAL)
  • 15:00 – Round table – Methods. Animated by Eric Laporte (LIGM)
  • 16:00 – Coffee break
  • 16:30 – Round table – Tools. Animated by Dusko Vitas (Université de Belgrade)
  • 17:30 – End of first day

Saturday, November 25th – Tool introduction

UPEC (Université Paris-Est Créteil)
Building: Bâtiment I2 – Troisième étage
Rooms i2 317 and i2 307
61 avenue du général de Gaulle
94010 Créteil

  • 09:30 – Welcome coffee: room i2 307
  • 10:00 – TextObserver (room i2 317): Jean-Marc Leblanc (UPEC-CEDITEC), Yacine Ouchène (UPEC-CEDITEC)
  • 11:00 – TreeCloud (room i2 317): Philippe Gambette (UPEM, LIGM)
  • 12:00 – Cortext (room i2 317): Antoine Schoen (IFRIS)
  • 12:00 – Linkage (room i2 317): Muriel Epstein (Paris 1-SAMM)
  • 13:00 – Buffet: room i2 307
  • 14:00 – WebHyperbase (room i2 317): Laurent Vanni (CNRS)
  • 15:15 – Unitex (room i2 317): Claude Martineau, Tita Kyriacopoulou (LIGM)
  • 16:30 – Proxem Studio (room i2 317): Eglantine Schimitt (UTC-Costech)
  • 17:00 – Leximir (room i2 317): Cvetana Krstev (université de Belgrade)
  • 17:30-18:00 – Discussion – Closing of the conference

 

Programme du colloque ECLAVIT

À l’interface entre sciences humaines et sociales, informatique et statistique, le traitement numérique des données textuelles vise des applications multiples : tests d’hypothèses à partir de productions écrites ou orales, analyses exploratoires de corpus web, journalistiques, politiques ou littéraires, visualisation d’opinions, extraction d’informations, etc. Ce workshop se propose d’interroger les différentes méthodes de visualisation, de traitement de corpus, d’analyses des données textuelles et de faire le point sur les développements récents du domaine.

Il s’organisera en deux temps : le vendredi 24 novembre, dans les locaux de l’université Paris-Est Marne-la-Vallée, seront présentés des travaux (posters et tables rondes) portant sur les corpus, les outils et les méthodes. Le samedi 25 novembre, à l’UPEC une session de formation aux outils des partenaires et des participants sera organisée en salle informatique.

Vendredi 24 novembre 2017 – Posters et tables rondes

Université Paris-Est Marne-la-Vallée
Bâtiment La Centrifugeuse
5 boulevard Descartes – Champs-sur-Marne
77454 Marne-la-Vallée Cedex 2

  • 9h30 – Accueil & café
  • 10h – Ouverture du Colloque : Benoît Lesaffre, ancien vice-président d’Université Paris-Est
  • 10h15 – Session plénière : présentation des posters en 3 minutes
    • L’analyse lexicale au service de la cliodynamique :
      Traitement par intelligence artificielle de la base Google
      Ngram. Jérôme Baray (UPEC-IRG)
    • Corpus thématiques trilingues. Lionel Shen (Paris 3-CLESTHIA)
    • Induire des fragments de grammaire locale afin
      d’analyser des milliers de lignes de concordance. Andrew Salway (Uni Research, Bergen – Language
      and Language Technology Group)
    • Analyser des corpus numériques, prendre en compte
      les graphies du web et ses variations : l’exemple d’une
      pétition en ligne. Jean-Marc Leblanc (UPEC-CEDITEC), Christine Barats (Paris Descartes-CEDITEC), Anne Dister
      (Université Saint-Louis), Marie Pérès (UPEC-
      CEDITEC), Philippe Gambette (UPEM-LIGM)
    • CODEXT, an English-French Translation
      Corpus designed for contrastive studies. Françoise Doro-Megy, Lucie Gournay (UPEC-IMAGER-LIDIL12)
    • P-Leader Multifractal Analysis for Text Type Identification, Roberto Leonarduzzi (ENS Lyon)
    • Translating patient related narratives into SNOMED-CT to enable interoperability of healthcare data, Vasiliki Foufi (Geneva University Hospitals and University of Geneva-SIMED)
    • Crossed perception of places: two corpus-based studies, Catherine Domingues, Carmen Brando, Margion Cargill (EHESS)
    • Annotation de la coréférence avec SACR, un nouvel outil reposant sur le drag-and-drop, Bruno Oberle (Université de Strasbourg-LilPa)
    • TreeCloud, Unitex: une synergie accrue, Claude Martineau (LIGM)
  • 11h – Session Posters / Démonstrations d’outils
  • 12h30 – Buffet
  • 14h – Table ronde – Corpus : animée par Cédrick Fairon (CENTAL)
  • 15h – Table ronde – Méthodes : animée par Eric Laporte (LIGM)
  • 16h – Pause café
  • 16h30 – Table Ronde – Outils : Animée par Dusko Vitas (Université de Belgrade)
  • 17h30 – Clôture de la première journée

Samedi 25 novembre 2017 – Introduction aux outils

Université Paris-Est Créteil
Bâtiment I2 – Troisième étage
salles i2 317 et i2 307
61 avenue du général de Gaulle
94010 Créteil

  • 09h30 – Accueil & café : Salle i2 307
  • 10h00 – TextObserver (salle i2 317) : Jean-Marc Leblanc (UPEC-CEDITEC), Yacine Ouchène (UPEC-CEDITEC)
  • 11h00 – TreeCloud (salle i2 317) : Philippe Gambette (UPEM, LIGM)
  • 12h00 – Cortext (salle i2 317) : Antoine Schoen (IFRIS)
  • 12h30 – Linkage (salle i2 317) : Muriel Epstein (Paris 1-SAMM)
  • 13h15 – Buffet : Salle i2 307
  • 14h00 – WebHyperbase (salle i2 317) : Laurent Vanni (CNRS)
  • 15h15 – Unitex (salle i2 317) : Claude Martineau, Tita Kyriacopoulou (LIGM)
  • 16h30 – Proxem Studio (salle i2 317) : Eglantine Schimitt (UTC-Costech)
  • 17h00 – Leximir (salle i2 317) : Cvetana Krstev (université de Belgrade)
  • 17h30-18h00 – Clôture – discussion

 

ECLAVIT Workshop – Analysis and representation of textual data examples of interactions between tool designers and users

24/25 November 2017 – Université Paris-Est

At the crossroads between humanities, social and computer sciences and statistics, digital data processing addresses various issues: oral or written productions hypotheses testing, journalistic, political, literary or web corpus exploratory analyses, opinions visualization, data extraction, a.s.o.

The aim of this workshop is twofold: to explore the different methods of analysing and visualizing textual corpora data, and to discuss the latest developments in the field.

The event will hence be conducted in two parts: on Friday, November 24th, noteworthy projects on the topics listed below will be presented at the Université Paris-Est Marne-la-Vallée, and on Saturday 25th, a data processing workshop will be held in one of the computer labs of the Université Paris-Est Créteil.

Should you wish to contribute, you can:

  • give a short talk about your project during the plenary session and hold a poster presentation,
  • conduct a training session during the data processing workshop.

The organizers will arrange round tables, to which the contributors may be invited to participate.

Interdisciplinary contributions combining tool designers and users will be particularly valued.

Contributions regarding the following themes are expected:

  • Corpora: digital corpora, social networks, literary corpora, controversies, multimodal corpora, multimedia, SMS, monolingual and multilingual corpora.
  • Corpus tools: authorship recognition, discourse characterization, parallel texts alignment, tagging, visualization, dictionary managing, interoperability, toponyms extraction, userfriendly interfaces
  • Methods: multi-fractal analyses, statistical methods, supervised learning, qualitative linguistics, a.s.o.

Not only will these themes spark discussions on the latest developments and favour dialogue between different fields, they are expected to deal with the following lines of questioning:

  • Which are the current corpus based needs, in any domain?
  • How can these exploration, visualization and annotation tools contribute to present-day research?
  • What are the limits to these tools and methods, regarding automatic language processing, textometry, lexicometry and data visualization?

Submissions are to be sent here before September 25th 2017. They will be independently evaluated by two members of the scientific committee, in accordance to the following criteria:

  • Compliance with the workshop’s general theme,
  • Scientific interest,
  • Clarity of the subject,
  • Technical feasibility.

The poster presentations will be held in English, but the flash presentations will be given in either English of French.

The scientific committee will follow up on the submissions on October 15th 2017.

The contributors will be invited to produce an article for publication, following the workshop.

This workshop is organized by the PEPS CNRS/UPE ECLAVIT project.

Important dates

  • Deadline for submission: September 25th 2017,
  • Decision of acceptance: October 15th 2017,
  • November 17th 2017: final versions of the poster presentations,
  • November 24th-25th 2017: ECLAVIT Workshop.

Presentation format:
Poster presentations: The authors whose presentations are selected will be asked to send their posters in PDF format so that they can be uploaded to the workshop’s website. During the plenary session, they will be able to project a slideshow, which they will be asked to send a few days before the event. The printed version of the posters should be of A0 size. The paper posters will be put up on the morning of November 24th.

Round tables: The scientific committee will contact the authors regarding their individual interventions.

Training session: The scientific committee will contact the contributors regarding the installation of the softwares if needed.

Contact

workshop.eclavit@gmail.com

Committees

Steering committee: Tita Kyriacopoulou, Jean-Marc Leblanc, Marie Pérès, Claude Martineau, Philippe Gambette.

Scientific committee: Lou Burnard (Oxford University), Amélie Cougnon (Université Catholique de Louvain), Anne Dister (Université Saint-Louis), Dylan Glynn (Université Paris 8), Lucie Gournay (Université Paris-Est Créteil), Sebastian Hoffmann (Universität Trier), Eric Laporte (Université Paris-Est Marne-la-Vallée), Emmanuel Marty (GRESEC – Université Grenoble Alpes), Emilie Née (Université Paris-Est Créteil), Rachel Panckhurst (Université Paul-Valéry-Montpellier), Graham Ranger (Université d’Avignon et des pays de Vaucluse), Gilles Vollant (Ergonotics), Yang Wang (Hong Kong University of Science and Technology).

Download this call for contributions in PDF…

Workshop ECLAVIT – Analyse et représentation de données textuelles expériences d’interaction entre concepteurs et utilisateurs

24/25 novembre 2017 – Université Paris-Est

À l’interface entre sciences humaines et sociales, informatique et statistique, le traitement numérique de données textuelles vise des applications multiples : tests d’hypothèses à partir de productions écrites ou orales, analyses exploratoires de corpus web, journalistiques, politiques ou littéraires, visualisation d’opinions, extraction d’informations, etc. Ce workshop se propose d’interroger les différentes méthodes de visualisation, de traitement de corpus, d’analyses des données textuelles et de faire le point sur les développements récents du domaine.

Il s’organisera en deux temps : le vendredi 24 novembre, dans les locaux de l’université Paris-Est Marne-la-Vallée, seront présentés des travaux portant sur les thématiques présentées ci-dessous. Le samedi 25 novembre, à l’UPEC une session de formation aux outils des partenaires et des participants sera organisée en salle informatique.

Ainsi, les propositions de contribution pourront prendre plusieurs formes :

  • Poster (avec présentation en séance plénière de trois minutes),
  • Session de formation à des outils de traitement ou de visualisation de corpus.

Les organisateurs prévoient des tables rondes auxquelles pourront être invités les contributeurs.

Les propositions issues d’une collaboration interdisciplinaire entre concepteurs et utilisateurs d’outils seront particulièrement appréciées.

Les thématiques attendues sont les suivantes :

  • Corpus : corpus numériques, réseaux sociaux, corpus littéraires, controverses, corpus multimodaux, multicanaux, SMS, unilingues ou bilingues.
  • Outils pour la reconnaissance d’auteur, la caractérisation de genres de discours, l’alignement, l’étiquetage, la visualisation, la gestion de dictionnaires, l’interopérabilité, l’extraction de toponymes, faciliter les parcours d’utilisation, etc.
  • Méthodes : analyse multi-fractales, méthodes statistiques, apprentissage supervisé, linguistique qualitative, etc.

Outre qu’elles permettront de faire le point sur les derniers développements et de susciter l’échange entre différentes disciplines, ces thématiques répondront aux interrogations suivantes :

  • Quels sont les besoins, en partant des corpus, dans différents domaines ?
  • Que peuvent apporter les outils d’exploration, de visualisation, d’annotation aux recherches en cours ?
  • Quels sont les apports et limites des outils et méthodes, en TAL, textométrie, lexicométrie, data visualisation ?

Les propositions de contributions seront envoyées ici avant le lundi 25 septembre 2017. Elles seront expertisées en double aveugle par les membres du comité scientifique selon les critères suivants :

  • Adéquation du thème proposé à la thématique générale du workshop
  • Intérêt scientifique
  • Clarté de l’exposé
  • Faisabilité technique (pour la formation ou outils)

La langue des posters sera l’anglais, mais les présentations flash seront données en français ou anglais. Les réponses du comité scientifique seront communiquées aux auteurs le 15 octobre 2017.

Certaines des propositions pourront conduire à une invitation à la table ronde.

A l’issue du Workshop, les contributeurs seront invités à rédiger un article pour publication.

Ce workshop est organisé par le projet PEPS CNRS/UPE Eclavit.

Dates importantes :

  • Date limite d’envoi des propositions : 25 septembre 2017,
  • Réponses aux auteurs 15 octobre 2017,
  • 17 novembre 2017 : versions finales des résumés des posters,
  • 24-25 novembre 2017 : workshop ECLAVIT.

Format des présentations

Posters : Les auteurs dont les propositions seront retenues seront invités à envoyer leurs posters au format PDF afin qu’ils puissent être mis en ligne sur le site du workshop. Ils pourront proposer lors de la session plénière un diaporama qu’ils devront envoyer quelques jours avant l’ouverture du colloque. Le poster version print est attendu au format A0 et sera installé le matin du 24 novembre.

Tables rondes : le comité scientifique prendra contact avec les auteurs pour préciser les modalités d’intervention.

Formation aux outils (25 novembre) : Le comité scientifique prendra contact avec les contributeurs pour l’installation, le cas échéant des logiciels.

Contact

workshop.eclavit@gmail.com

Comités

Comité d’organisation : Tita Kyriacopoulou, Jean-Marc Leblanc, Marie Pérès, Claude Martineau, Philippe Gambette.

Comité scientifique : Lou Burnard (Oxford University), Amélie Cougnon (Université Catholique de Louvain), Anne Dister (Université Saint-Louis), Dylan Glynn (Université Paris 8), Lucie Gournay (Université Paris-Est Créteil), Sebastian Hoffmann (Universität Trier), Eric Laporte (Université Paris-Est Marne-la-Vallée), Emmanuel Marty (GRESEC – Université Grenoble Alpes), Emilie Née (Université Paris-Est Créteil), Rachel Panckhurst (Université Paul-Valéry-Montpellier), Graham Ranger (Université d’Avignon et des pays de Vaucluse), Gilles Vollant (Ergonotics), Yang Wang (Hong Kong University of Science and Technology).

 

Cet appel à contributions au format PDF

Développement d’un outil d’export de sous-corpus textuels

Certains outils de textométrie ne permettent pas facilement de mettre à jour le corpus textuel traité, pour enlever des textes, en ajouter, ou faire des modifications comme un passage en minuscules ou des remplacements automatisés de mots, abréviations, etc.

iconexporaUn outil a été implémenté cet été dans le cadre d’un projet ANR commun à deux laboratoires partenaires d’ECLAVIT, le LIGM et le CEDITEC.

Il s’agit de stocker le corpus sous forme d’une base de données de textes et de métadonnées associées, et de faciliter, à l’aide d’une interface web, l’extraction de sous-corpus à l’aide d’un formulaire permettant de choisir les textes et métadonnées exportées, de filtrer et trier les résultats, et de choisir le format d’export.

Cet outil, nommé Expora, a été programmé, sous forme d’un logiciel libre sous licence GPL, par un étudiant de l’IIT Ropar (Inde), Sai Samarth R. Phaye. Expora est adaptable pour d’autres bases de données que celle du projet ANR APPEL (voir la vidéo de présentation et la vidéo d’installation)

Rendre cliquables les feuilles d’un nuage arboré TreeCloud

Les méthodes de textométrie facilitent souvent le retour au texte, afin de permettre la vérification de certaines hypothèses issues des outils de statistiques ou de visualisation appliqués sur le corpus. Jusqu’alors, les nuages arborés construits TreeCloud ne permettaient pas de revenir au texte en cliquant sur les mots. C’est désormais faisable avec un simple code jQuery, comme expliqué sur cette page.

La solution proposée consiste à modifier le code HTML de la page web qui contient le nuage arboré, inséré au format SVG (exporté depuis SplitsTree), en utilisant quelques lignes de script Javascript/jQuery. Ces lignes permettent d’ajouter un lien qui commence de manière identique pour tous les mots (par exemple, “https://www.google.fr/?q=” si l’on veut faire un lien vers une page de résultats Google) et qui se termine par le mot en question.

Une démonstration est fournie sur la page citée ci-dessus pour un nuage arboré des mots-clés caractérisant un ensemble de publications de l’UPEM de 2012 à 2015 : quand on clique sur chaque mot du nuage arboré, on est renvoyé vers l’URL qui commence par “https://hal-upec-upem.archives-ouvertes.fr/search/index/?q=” et qui se termine par le mot en question, c’est-à-dire la page de recherche de ce mot parmi les publications de l’UPEM référencées dans HAL.

2016-07-04-Treecloud-Linker-UPEM

Ateliers TextObserver, Unitex, Cortext, TreeCloud

Le 29 juin dernier a eu lieu à l’UPEC la deuxième édition de la journée dédiée aux outils de traitement de corpus textuels développés à Paris-Est.

Une quinzaine de participants a assisté à une présentation/démo puis un atelier de mise en pratique :

2016-06-29-Unitex

2016-06-29-Textobserver

2016-06-29-Repas

2016-06-29-Repas_2

2016-06-29-Cortext

2016-06-29-Treecloud

Outils de traitement de corpus textuels développés à Paris Est : démonstrations, formations, ateliers – Deuxième édition

Outils_textometrie_UPE_2016Cette journée se tiendra le 29 juin prochain à l’UPEC, Campus Centre, salles I2-306 et I2-317, 61 avenue du Général de Gaulle, 94000 Créteil (ligne 8 – Métro Université).

A l’interface entre sciences du langage, informatique et statistique, le traitement automatique de données textuelles vise des applications multiples : tests d’hypothèses à partir de productions écrites ou orales, analyses exploratoires de corpus web, journalistiques, politiques ou littéraires, visualisation d’opinions, extraction d’informations, etc. Plusieurs laboratoires de l’Université Paris-Est développent des outils dédiés au traitement automatique de données textuelles : TextObserver, Unitex/ Gramlab, TreeCloud, CorText Manager. Ils se proposent de les présenter, le 29 juin 2016 à l’UPEC, à leurs utilisateurs potentiels, mais aussi aux concepteurs de méthodologies ou d’outils qui exploitent des données textuelles.

> Télécharger le programme

Merci de confirmer votre participation au moyen de ce formulaire d’inscription.

 

Données pour la démo Cortext Manager : archive ZIP pour formation ECLAVIT juin 2016

Données pour la démo TreeCloudarchive ZIP pour formation treecloud juin 2016