[Corpora-List] [Appel à contribution] Journée ATALA Articuler les traitements sur corpus 5 février 2005 (deuxième appel)

[Serge HEIDEN]

Journée d'étude de l'ATALA (www.atala.org/) (Deuxième Appel)
Samedi 5 février 2005 - ENST  46 r Barrault, 75634 Paris Cédex 13

Organisateurs : Benoît Habert (LIMSI et université Paris X -
habert at limsi.fr), Serge Heiden (ICAR - ENS LSH - slh at ens-lsh.fr), André
Salem (Syled - Paris III - salem at msh-paris.fr)

Le traitement des données textuelles articule, probablement pour encore
quelques années, des données non structurées (texte "brut"), des données
semi-structurées (formats d'entrée/sortie plus ou moins contraignants
des logiciels utilisés) et données structurées (XML, graphes
d'annotation...). Les outils traitent/produisent des données selon des
formats variables et d'ailleurs évolutifs.

La plupart des logiciels utilisent en outre des représentations internes
des données textuelles, comme des index, qui permettent des
réorganisations et des traitements plus efficaces de la chaîne textuelle
(concordances, repérage des cooccurrences etc.) tout en constituant, du
même coup, empiriquement, des unités textuelles aux statuts très variables.

Enfin, ils offrent divers moyens de visualisation des données résultats
ou intermédiaires en
sollicitant des interfaces aux ergonomies très variables.

Pour des projets d'envergure, des architectures ont été conçues pour
articuler modules et formats hétérogènes. C'est le cas de GATE
[Gaizauskas et al. 98] à l'université de Sheffield pour MUC. Ces
architectures, trop lourdes, n'offrent pas une solution satisfaisante
pour le quotidien. D'autres architectures font le choix de flux XML pour
l'enchaînement des traitements (LT-XML
[#http://www.ltg.ed.ac.uk/software/xml/]] et les flux SAX de Cocoon
[http://cocoon.apache.org/2.1/overview.html#Pipeline]).

La journée d'étude proposée abordera en particulier les points suivants :

- faut-il aller vers des architectures "tout XML" ou privilégier des
moyens d'associer modules etformats hétérogènes ?

- quels moyens utiliser pour avancer dans la standardisation des formats
d'annotation des
données et la formalisation de la sémantique de ces annotations, de
sorte à faciliter et à expliciter l'enchaînement des divers traitements
  (EAGLES, ISLE) ?

- quelles architectures utiliser pour articuler la gestion des entrepôts
de données et l'application des divers outils d'enrichissement et
d'analyse des données (client/serveur.) ?

- quels formats retenir pour faciliter l'annotation multiple et complexe
de corpus (graphes d'annotation, annotation `déportée' ou « stand-off »
...) ?

- quelle utilisation effective des en-têtes à la TEI (Text Encoding
Initiative) ou XCES (XML Corpus Encoding Standard) ou d'aides au
catalogage (OLAC) pour mémoriser la signalétique accompagnant les corpus
? quelle interaction avec les propositions du consortium W3C pour noter
les méta-données (RDF, par exemple) ?

- l'histoire des traitements d'un corpus (son cycle de vie), de ses
versions, de ses partitions est souvent impossible à reconstituer : on
dispose de résultats (texte étiqueté/lemmatisé, analyse syntaxique en
dépendances, couples d'information mutuelle, etc.) dont on ne sait plus
avec quoi ils ont été obtenus et selon quels paramétrages.

- est-il possible de normaliser la description des traitements effectués
afin de permettre la répétition des mêmes chaînes de traitement à des
données diverses ?


Comité de lecture

Michael Beddow  (Anglo-Norman On-Line Hub)
Lou Burnard (UOxford)
Jean Carletta (HCRC UEdinburgh)
François Daoust (UQAM)
Michel Jacobson (Lacito CNRS)
Sylvaine Nugier (EDF R&D)
Mark Olsen (UChicago)
Thierry Poibeau (LIPN)
Laurent Romary (LORIA)
Ludovic Tanguy (ERSS)
Jean Véronis (DELIC - Aix)
Matthew Zimmerman (NYU)
Pierre Zweigenbaum (DIAM-SIM AP-HP)


Les propositions de communication (de 1 à 5 pages) devront parvenir aux
organisateurs pour le 1er décembre 2004.

Dates limites importantes

Proposition de communication : 1er décembre 2004
Notification d'acceptation/rejet : 10 janvier 2005

_____________________________________________________________________
Serge Heiden, slh at ens-lsh.fr, https://weblex.ens-lsh.fr
ENS-LSH/CNRS - ICAR UMR5191, Institut de Linguistique Française
15, parvis René Descartes 69342 Lyon BP7000 Cedex, tél. +33 4 37 37 63 12, fax. +33 4 37 37 62 65