Nous abordons dans cette thèse une étude sur la tâche de la désambiguïsation lexicale qui est une tâche centrale pour le traitement automatique des langues, et qui peut améliorer plusieurs applications telles que la traduction automatique ou l'extraction d'informations. Les recherches en désambiguïsation lexicale concernent principalement l'anglais, car la majorité des autres langues manque d'une référence lexicale standard pour l'annotation des corpus, et manque aussi de corpus annotés en sens pour l'évaluation, et plus important pour la construction des systèmes de désambiguïsation lexicale. En anglais, la base de données lexicale wordnet est une norme de-facto de longue date utilisée dans la plupart des corpus annotés et dans la plupart des campagnes d'évaluation.Notre contribution porte sur plusieurs axes: dans un premier temps, nous présentons une méthode pour la création automatique de corpus annotés en sens pour n'importe quelle langue, en tirant parti de la grande quantité de corpus anglais annotés en sens wordnet, et en utilisant un système de traduction automatique. Cette méthode est appliquée sur la langue arabe et est évaluée sur le seul corpus arabe, qui à notre connaissance, soit annoté manuellement en sens wordnet: l'OntoNotes 5.0 arabe que nous avons enrichi semi-automatiquement. Son évaluation est réalisée grâce à la mise en œuvre de deux systèmes supervisés (SVM, LSTM) qui sont entraînés sur les corpus produits avec notre méthode.Grâce ce travail, nous proposons ainsi une base de référence solide pour l'évaluation des futurs systèmes de désambiguïsation lexicale de l’arabe, en plus des corpus arabes annotés en sens que nous fournissons en tant que ressource librement disponible.Dans un second temps, nous proposons une évaluation in vivo de notre système de désambiguïsation de l’arabe en mesurant sa contribution à la performance de la tâche de traduction automatique.

Le nombre de traductions médicales vers l’espagnol est en constante augmentation. Cependant, les traducteurs spécialisés dans ce domaine ne sont pas assez pour pouvoir combler les besoins du marché d’après les différentes enquêtes réalisées ces dernières années par des chercheurs espagnols. Considérant le manque d’études empiriques portant sur l’enseignement-apprentissage de la traduction médicale, ainsi que celui de la traduction spécialisée, nous nous sommes intéressés aux moyens de rapprocher les formations universitaires des conditions actuelles de l’activité professionnelle.Pour cette raison, l’objectif de la présente thèse est d’apporter une contribution à la didactique de la traduction spécialisée, notamment de la traduction médicale français-espagnol, grâce à la création d’une méthode d’enseignement-apprentissage qui permettra le transfert des compétences professionnelles pour les traducteurs listées par le Groupe d’expert EMT (European Master’s in Translation).

Les formations à la traduction pragmatique offrent un enseignement professionnalisant dense et multiforme. Or il n’est pas certain que les étudiants intègrent au mieux compétences déclaratives et opérationnelles, faute d’avoir suffisamment conscience de leurs méthodes de travail. Par ailleurs, les recherches sur l’expertise montrent qu’une formation initiale solide et des années d’expérience ne suffisent pas à garantir le développement optimal des compétences professionnelles. Outre un environnement de travail favorable au développement de ces compétences, la solution résiderait dans l’adoption d’une démarche d’apprentissage autorégulé.La présente contribution vise à évaluer la capacité des étudiants à adopter ponctuellement une telle démarche à la suite d’une séquence d’enseignement renforçant leurs compétences métacognitives. Une collecte de données de référence et deux expérimentations ont permis d’estimer l’effet de la régulation sur l’activité traduisante et d’évaluer l’intérêt du dispositif d’enseignement proposé.Il en ressort que les étudiants qui ont eu l’occasion d’analyser leurs propres processus cognitifs et de les comparer à ceux de leurs pairs et à ceux de professionnels présentant un degré élevé de régulation auraient les capacités d’agir consciemment sur leurs habitudes de travail. Ces résultats, qui demandent néanmoins à être vérifiés auprès de cohortes plus larges, indiquent que le dispositif d’enseignement proposé pourrait donner aux étudiants des clés pour intervenir sur leurs habitudes de travail et, plus largement, sur leur environnement de travail. Ce faisant, il s’inscrirait dans la dynamique actuelle qui sensibilise les étudiants en traduction à l’ergonomie cognitive, physique et organisationnelle au poste de travail.

La présente étude est centrée sur les constructions verbales scientifiques. Ce lexique se situe à mi-chemin entre le lexique de la langue générale et celui de la terminologie. Il s’agit de termes utilisés à des fins d’expressions scientifiques, pour contribuer à l’élaboration du fonctionnement rhétorique et pragmatique de l’écrit scientifique. En nous fondant sur le modèle du Corpus Pattern Analysis, nous élaborons une ressource lexicale des patrons verbaux à l’aide de techniques du TAL sur des corpus numériques. Notre objectif est d’intégrer à cet outil les collocations et les constructions verbales récurrentes dans les écrits scientifiques. Cette ressource a pour objectif d’aider les locuteurs allophones dans leur rédaction d’écrits académiques en français.Sur le plan didactique, afin de mieux comprendre les difficultés des étudiants allophones en matière de constructions verbales scientifiques, nous établissons un diagnostic qui comporte à la fois l’analyse des erreurs et celle des cas de suremploi et de sous-emploi de certaines de ces constructions verbales. Les résultats ont montré que le statut de novice, en matière de rédaction scientifique, confronte de manière identique les étudiants natifs et non-natifs aux difficultés liées au genre du discours. Afin de répondre à ces besoins langagiers, nous avons proposé d’intégrer la ressource lexicale des patrons dans l’enseignement de l’écrit académique dont l’objectif est de guider les étudiants vers l’autonomie et la manipulation de corpus numériques.

Comment adapter des technologies de la traduction, initialement conçues pour des traducteurs spécialisés professionnels, à des experts métier devant traduire pour leur entreprise ? Pour répondre à cette question, nous avons comparé les pratiques de ces deux types d'utilisateurs, à l’aide de questionnaires. Ensuite, nous avons constitué un corpus à partir de traductions d’experts métier et nous l’avons passé en revue pour renforcer l’analyse des différences. La différence la plus flagrante est l'utilisation de la traduction automatique (TA) ainsi que le contexte de production des traductions. La réalité du terrain montre en effet des textes source qui ne sont souvent pas exploitables par des machines ; nous proposons de travailler sur l'exploitabilité informatique des textes. En étudiant les technologies de TA actuelles, nous constatons qu'elles permettent soit une post-édition en langue cible après le processus de traduction, soit une pré-édition en langue source avant le processus de traduction. Nous suggérons de tirer profit de la situation inédite de rédacteur traduisant, pour utiliser l’expertise du rédacteur pendant le processus de traduction et de développer une fonctionnalité de TA permettant une édition en cours de processus.

Cette thèse s’intéresse au lexique scientifique transdisciplinaire (LST), lexique inscrit dans le genre de l’article de recherche en sciences humaines et sociales. Le LST est fréquemment mobilisé dans les écrits scientifiques et constitue ainsi un objet d’importance pour l’étude de ce genre. Ce lexique trouve également des applications concrètes tant en indexation terminologique que pour l’aide à la rédaction/compréhension de textes scientifiques. Ces différents objectifs nous amènent à adopter une approche outillée pour identifier et caractériser les unités lexicales du LST, lexique complexe à circonscrire, situé entre lexique de la langue générale et terminologie. En nous basant sur les propriétés de spécificité et de transdisciplinarité ainsi que sur l’étude des propriétés lexico-syntaxiques de ses éléments, nous élaborons une ressource du LST intégrant informations lexicales, syntaxiques et sémantiques. L’analyse de la combinatoire à l’aide d’un corpus arboré autorise ainsi une caractérisation du LST ancrée sur l’usage dans le genre de l’article de recherche. Selon cette même approche, nous identifions les acceptions nominales transdisciplinaires et proposons une classification sémantique fondée sur la combinatoire en corpus pour intégrer à notre ressource lexicale une typologie nominale sur deux niveaux. Nous montrons enfin que cette structuration du LST nous permet d’aborder la dimension phraséologique et rhétorique du LST en faisant émerger du corpus des constructions récurrentes définies par leurs propriétés syntactico-sémantiques.

Notre recherche se situe en lexicographie computationnelle, et concerne non seulement le support informatique aux ressources lexicales utiles pour la TA (traduction automatique) et la THAM (traduction humaine aidée par la machine), mais aussi l'architecture linguistique des bases lexicales supportant ces ressources, dans un contexte opérationnel (thèse CIFRE avec L&M).Nous commençons par une étude de l'évolution des idées, depuis l'informatisation des dictionnaires classiques jusqu'aux plates-formes de construction de vraies "bases lexicales" comme JIBIKI-1 [Mangeot, M. et al., 2003 ; Sérasset, G., 2004] et JIBIKI-2 [Zhang, Y. et al., 2014]. Le point de départ a été le système PIVAX-1 [Nguyen, H.-T. et al., 2007 ; Nguyen, H. T. & Boitet, C., 2009] de bases lexicales pour systèmes de TA hétérogènes à pivot lexical supportant plusieurs volumes par "espace lexical" naturel ou artificiel (UNL). En prenant en compte le contexte industriel, nous avons centré notre recherche sur certains problèmes, informatiques et lexicographiques.Pour passer à l'échelle, et pour profiter des nouvelles fonctionnalités permises par JIBIKI-2, dont les "liens riches", nous avons transformé PIVAX-1 en PIVAX-2, et réactivé le projet GBDLEX-UW++ commencé lors du projet ANR TRAOUIERO, en réimportant toutes les données (multilingues) supportées par PIVAX-1, et en les rendant disponibles sur un serveur ouvert.Partant d'un besoin de L&M concernant les acronymes, nous avons étendu la "macrostructure" de PIVAX en y intégrant des volumes de "prolexèmes", comme dans PROLEXBASE [Tran, M. & Maurel, D., 2006]. Nous montrons aussi comment l'étendre pour répondre à de nouveaux besoins, comme ceux du projet INNOVALANGUES. Enfin, nous avons créé un "intergiciel de lemmatisation", LEXTOH, qui permet d'appeler plusieurs analyseurs morphologiques ou lemmatiseurs, puis de fusionner et filtrer leurs résultats. Combiné à un nouvel outil de création de dictionnaires, CREATDICO, LEXTOH permet de construire à la volée un "mini-dictionnaire" correspondant à une phrase ou à un paragraphe d'un texte en cours de "post-édition" en ligne sous IMAG/SECTRA, ce qui réalise la fonctionnalité d'aide lexicale proactive prévue dans [Huynh, C.-P., 2010]. On pourra aussi l'utiliser pour créer des corpus parallèles "factorisés" pour construire des systèmes de TA en MOSES.

La thèse, effectuée dans le cadre d'une bourse CIFRE, et prolongeant un des aspects du projet ANR Traouiero, aborde d'abord la production, l'extension et l'amélioration de corpus multilingues par traduction automatique (TA) et post-édition contributive (PE). Des améliorations fonctionnelles et techniques ont été apportées aux logiciels SECTra et iMAG, et on a progressé vers une définition générique de la structure d'un corpus multilingue, multi-annoté et multimédia, pouvant contenir des documents classiques aussi bien que des pseudo-documents et des méta-segments. Cette partie a été validée par la création de bons corpus bilingues français-chinois, l'un d'eux résultant de la toute première application à la traduction littéraire.Une seconde partie, initialement motivée par un besoin industriel, a consisté à construire des systèmes de TA de type Moses, spécialisés à des sous-langages, en français↔chinois, et à étudier la façon de les améliorer dans le cadre d'un usage en continu avec possibilité de PE. Dans le cadre d'un projet interne sur le site du LIG et d'un projet (TABE-FC) en coopération avec l'université de Xiamen, on a pu démontrer l'intérêt de l'apprentissage incrémental en TA statistique, sous certaines conditions, grâce à une expérience qui s'est étalée sur toute la thèse.La troisième partie est consacrée à des contributions et mises à disposition de supports informatiques et de ressources. Les principales se placent dans le cadre du projet COST MUMIA de l'EU et résultent de l'exploitation de la collection CLEF-2011 de 1,5 M de brevets partiellement multilingues. De grosses mémoires de traductions en ont été extraites (17,5 M segments), 3 systèmes de TA en ont été tirés, et un site Web de support à la RI multilingue sur les brevets a été construit. On décrit aussi la réalisation en cours de JianDan-eval, une plate-forme de construction, déploiement et évaluation de systèmes de TA.