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.

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.

Les processus d'extraction terminologique automatique ont été jusqu'ici majoritairement conçus pour être appliqués à de corpus monolingues et dans des registres de langue uniformes. Cette thèse propose une séquence de traitements pour l'extraction automatique de « termes de terrain » qui soit faiblement dépendante de la langue, du registre de langue ou du domaine. Suivant une réflexion fondée sur différents aspects de typologie linguistique appliquée à sept langues, nous proposons des prétraitements textuels préliminaires au calcul de traits numériques pour l'entraînement de modèles statistiques de type CRF. Un ensemble de modèles sont sélectionnés grâce à une évaluation automatisée pour chaque langue. Une seconde série d'évaluations est ensuite réalisée pour étudier l'exploitabilité de ces modèles pour d'autres langues que celles sur lesquelles ils ont été entraînés. Il ressort de ces expériences que cette méthode aboutit à une extraction de termes de terrain de qualité satisfaisante. Les meilleurs scores obtenus (pour une évaluation monolingue des modèles) atteignent 0, 9 de f-score. La seconde partie de notre travail présente nos travaux relatifs à la complétion automatique de terminologies structurées multilingues. Nous avons proposé 2 algorithmes de complétion qui prennent en entrée un graphe de traduction multilingue (construit à partir de ressources libres) et une terminologie multilingue structurée. Ils proposent alors de nouveaux candidats termes pour cette dernière. Notre approche permet de compléter la terminologie structurée dans une langue qu'elle couvre déjà, mais également d'étendre sa couverture à de nouvelles langue.

Cette thèse de Traitement Automatique des Langues a pour objectif l'annotation automatique en rôles sémantiques du français en domaine spécifique. Cette tâche désambiguïse le sens des prédicats d'un texte et annote les syntagmes liés avec des rôles sémantiques tels qu'Agent, Patient ou Destination. Elle aide de nombreuses applications dans les domaines où des corpus annotés existent, mais est difficile à utiliser quand ce n'est pas le cas. Nous avons d'abord évalué sur le corpus FrameNet une méthode existante d'annotation basée uniquement sur VerbNet et donc indépendante du domaine considéré. Nous montrons que des améliorations conséquentes peuvent être obtenues à la fois d'un point de vue syntaxique avec la prise en compte de la voix passive et d'un point de vue sémantique en utilisant les restrictions de sélection indiquées dans VerbNet. Pour utiliser cette méthode en français, nous traduisons deux ressources lexicales anglaises. Nous commençons par la base de données lexicales WordNet. Nous traduisons ensuite le lexique VerbNet dans lequel les verbes sont regroupés sémantiquement grâce à leurs traits syntaxiques. La traduction, VerbNet, a été obtenue en réutilisant deux lexiques verbaux du français (le Lexique-Grammaire et Les Verbes Français) puis en modifiant manuellement l'ensemble des informations obtenues. Enfin, une fois ces briques en place, nous évaluons la faisabilité de l'annotation en rôles sémantiques en anglais et en français dans trois domaines spécifiques. Nous évaluons quels sont les avantages et inconvénients de se baser sur VerbNet et VerbuNet pour annoter ces domaines, avant d'indiquer nos perspectives pour poursuivre ces travaux.

Cette thèse propose une nouvelle approche des écrits scientifiques en prenant comme point de départ les marqueurs discursifs (MD). Elle s'inscrit dans le cadre du Français sur Objectif Universitaire (FOU). Dans ce travail, nous nous intéressons tout particulièrement aux MD polylexicaux et les intégrons dans une conception large de la phraséologie. La particularité de cette recherche réside dans le fait de relier les descriptions linguistiques des MD et la transposition didactique de ces unités lexicales à l'aide de corpus, ce qui est encore peu abordé dans le champ de la didactique francophone. Nous cherchons à répondre à des objectifs à la fois linguistiques et didactiques. Pour les objectifs linguistiques, nous mettons en place un modèle d'analyse des MD polylexicaux associant les propriétés syntaxiques et sémantiques et qui est tout à fait réadaptable à d'autres MD. Les analyses linguistiques des MD serviront par la suite à l'enseignement/apprentissage de ces unités. Pour les objectifs didactiques, cette recherche vise à concevoir une méthodologie d'enseignement/apprentissage des MD à partir de l'observation de corpus. Les considérations méthodologiques proposées dans le cadre de cette thèse ouvrent des pistes intéressantes pour l'enseignement/apprentissage de ces éléments linguistiques ainsi que pour faciliter l'accès aux écrits scientifiques auprès des étudiants non-natifs.

Nous proposons une etude de la traduction automatique des gerondifs verbaux anglais en francais, restreinte aux formes gerondives sans sujet apparent. Tout d'abord, les etudes anterieures montrent que cette forme hybride depasse la distinction classique entre les syntagmes verbaux et les syntagmes nominaux. Il en resulte une difficulte de formalisation. Quoiqu'il en soit, les proprietes syntaxiques de la forme anglaise ne semblent pas determiner le type de forme syntaxique qui sera genere en francais: la traduction depend essentiellement de l'interpretation et du contexte. C'est pourquoi la deuxieme partie de ce travail est dediee a l'etude contrastive de 2 corpus bilingues: le corpus hansard et un corpus technique ibm. Cette etude est divisee en 2 chapitres correspondant aux fonctions syntaxiques des syntagmes gerondifs: en position sujet, on recense trois traductions principales: infinitives, nominalisations et propositions circonstancielles. Le choix de la traduction depend de l'interpretation de la phrase, principalement liee au type semantique du verbe principal. La forme nominale francaise se revele etre compatible avec la plupart des valeurs de la forme anglaise. Ceci nous amene a preciser deux mecanismes de transposition verbo-nominale: - effacement de la tete verbale dans ce que nous avons defini comme "constructions a verbe support d'actualisation" - nominalisation de la tete verbale. En position objet, l'eventail des traductions est reduit aux complements infinitifs et aux nominalisations. Nous montrons que le choix d'un complement infinitif est lie aux proprietes de coreference du verbe recteur qui doivent etre compatibles dans les deux langues. Lorsque la reference du sujet enchasse est non specifiee, la forme nominale francaise est compatible avec cette absence de reference. C'est pourquoi nous avons consacre une troisieme partie a la generation de formes nominales en francais: apres un rappel des proprietes aspectuelles des nominalisations, nous affirmons que seules les nominalisations complexes et les nominalisations evenementielles simples sont valides dans ce cadre de traduction. Nous etudions egalement l'influence du nombre et de la determination sur l'interpretation. Le dernier chapitre presente l'implementation dans lmt, prototype de traduction automatique d'ibm.

Les expressions resultatives anglaises sont des structures de phrase a deux predicats dont le second (un adjectif ou un groupe prepositionnel) exprime le resultat de l' action denotee par le premier (un verbe). La traduction de ces expressions vers le francais met parfois en jeu une restructuration importante de l'enonce. Nous etudions les differents types de traduction et les proprietes linguistiques anglaises qui permettent de les selectionner. Dans la traduction en chasse-croise, qui est le cas le plus complexe et courant, le predicat resultatif anglais devient le verbe prin cipal de la phrase francaise et le verbe devient un complement circonstanciel de moy en ou maniere. Nous etudions comment de telles recategorisations fonctionnent afin de permettre un traitement automatique. La methode de traduction automatique "shake and bake" permet un traitement purement lexical de la traduction. Nous presentons en detail son fonctionnement et nous presentons un traitement de la traduction des er. Afin d'ameliorer la compositionnalite, nous proposons l'addition d'un mecanisme nou veau au formalisme "shake and bake" qui, dans sa version de base, impose d'importan tes contraintes sur la compositionnalite de la traduction. Le traitement propose per met une grande economie de moyens au niveau bilingue car il ne requiert l'addition d'aucune entree lexicale. Il peut, en outre, s'appliquer a la traduction avec restru cturation et ou recategorisation d'autres types d'expressions.

La terminologie est un probleme dont les enjeux scientifiques et techniques sont cruciaux dans le domaine de la recherche en traitement automatique du langage naturel (taln). La construction d'une banque terminologique est un travail difficile, long, requerant des competences linguistiques et terminologiques rarement reunies, d'ou les problemes en taln imputables essentiellement a une repartition stricte des connaissances et des competences. Au vu de ces difficultes, il est devenu urgent de decouvrir des methodes permettant de creer automatiquement des banques terminologiques. Le stockage informatique des textes fournit un nouvel outil de travail. Il s'agit donc d'extraire automatiquement les termes d'un domaine a partir de corpus. Les methodes statistiques appliquees a l'extraction de terminologie apportent un premier element de reponse meme si les listes incluent un bruit important. Pour reduire l'exces de bruit, nous nous sommes propose d'elaborer une methode combinant donnees linguistiques et calculs statistiques. A partir d'une etude linguistique rigoureuse des termes du domaine des telecommunications, nous avons mis au point des filtres linguistiques qui permettent une premiere selection des sequences susceptibles, sur le plan morphosyntaxique, d'etre des noms composes. C'est sur ces sequences ainsi selectionnees que nous appliquons divers modeles statistiques avant d'en evaluer les resultats. Le meilleur modele statistique qui fournit une liste de noms composes en minimisant au mieux le bruit et le silence est le coefficient de vraisemblance ou les evenements frequents sont pris en compte. Cette conclusion contredit de nombreux travaux sur l'extraction de ressources lexicales qui proclament que leur critere d'association (par exemple, l'information mutuelle) sont de meilleurs indicateurs que la frequence.

Notre projet de thèse cherche à observer les routines sémantico-rhétoriques dans le discours scientifique oral en français, dont nous souhaitons faire la description et analyser les fonctions rhétoriques et/ou discursives spécifiques. Ensuite, parmi les différents types de routines, nous nous intéressons tout particulièrement à la modélisation de routines de « guidage de l’interlocuteur », qui ont fonction d’assurer un bon suivi du développement logique des idées du locuteur et de faciliter la compréhension des informations et des points de vue adoptés par le locuteur chez les interlocuteurs dans la communication scientifique, ce qui nous permettrait de mettre en comparaison les routines de guidage du lecteur dans le discours écrit et les routines de l’auditeur dans le discours oral.

Cette étude aborde la question des formules expressives, ainsi que le traitement phraséologique qui concerne ces unités. Nous aborderons la question de figement lexical et la non-compositionnalité sémantique des unités étudiées, tant sur les expressions simples que complexes; l’étude englobera en particulier les formules de politesse et les salutations à partir des tweets. Cette étude s’inscrira dans une optique sémantique et pragmatico-énonciative, l’objectif étant de déceler les effets de sens produits par ces combinaisons lexicales. L’analyse portera donc sur plusieurs pôles fondamentaux : les spécificités sémantiques et pragmatiques des pragmatèmes, le sémantisme des expressions polylexicales et l’ancrage situationnel.