Dans cette thèse, nous abordons la réalisation d’un outil innovant d’aide à la traduction anglais/arabe pour répondre au besoin croissant en termes d’outils en ligne d’aide à la traduction centrés sur la langue arabe. Cet outil combine des dictionnaires adaptés aux spécificités de la langue arabe et un concordancier bilingue issu des corpus parallèles. Compte tenu de sa nature agglutinante et non voyellée, le mot arabe nécessite un traitement spécifique. C’est pourquoi, et pour construire nos ressources lexicales, nous nous sommes basés sur l’analyseur morphologique de Buckwalter qui, d’une part, permet une analyse morphologique en tenant compte de la composition complexe du mot arabe (proclitique, préfixe, radical, suffixe, enclitique), et qui, d’autre part, fournit des ressources traductionnelles permettant une réadaptation au sein d’un système de traduction. Par ailleurs, cet analyseur morphologique est compatible avec l’approche définie autour de la base de données DIINAR (DIctionnaire Informatisé de l’Arabe), qui a été construite, entre autres, par des membres de notre équipe de recherche. Pour répondre à la problématique du contexte dans la traduction, un concordancier bilingue a été développé à partir des corpus parallèles Ces derniers représentent une ressource linguistique très intéressante et ayant des usages multiples, en l’occurrence l’aide à la traduction. Nous avons donc étudié de près ces corpus, leurs méthodes d’alignement, et nous avons proposé une approche mixte qui améliore significativement la qualité d’alignement sous-phrastique des corpus parallèles anglais-arabes. Plusieurs technologies informatiques ont été utilisées pour la mise en œuvre de cet outil d’aide à la traduction qui est disponible en ligne (tarjamaan.com), et qui permet à l’utilisateur de chercher la traduction de millions de mots et d’expressions tout en visualisant leurs contextes originaux. Une évaluation de cet outil a été faite en vue de son optimisation et de son élargissement pour prendre en charge d’autres paires de langues.

Le premier chapitre s'ouvre par un description du contexte interdisciplinaire. Ensuite, le concept de corpus est présenté en tenant compte de l'état de l'art. Le besoin de disposer de preuves certes de nature linguistique mais embrassant différentes disciplines est illustré par plusieurs scénarios de recherche. Plusieurs étapes clés de la construction de corpus sont retracées, des corpus précédant l'ère digitale à la fin des années 1950 aux corpus web des années 2000 et 2010. Les continuités et changements entre la tradition en linguistique et les corpus tirés du web sont exposés. Le second chapitre rassemble des considérations méthodologiques. L'état de l'art concernant l'estimation de la qualité de textes est décrit. Ensuite, les méthodes utilisées par les études de lisibilité ainsi que par la classification automatique de textes sont résumées. Des dénominateurs communs sont isolés. Enfin, la visualisation de textes démontre l'intérêt de l'analyse de corpus pour les humanités numériques. Les raisons de trouver un équilibre entre analyse quantitative et linguistique de corpus sont abordées.Le troisième chapitre résume l'apport de la thèse en ce qui concerne la recherche sur les corpus tirés d'internet. La question de la collection des données est examinée avec une attention particulière, tout spécialement le cas des URLs sources. La notion de prétraitement des corpus web est introduite, ses étapes majeures sont brossées. L'impact des prétraitements sur le résultat est évalué. La question de la simplicité et de la reproducibilité de la construction de corpus est mise en avant.La quatrième partie décrit l'apport de la thèse du point de vue de la construction de corpus proprement dite, à travers la question des sources et le problèmes des documents invalides ou indésirables. Une approche utilisant un éclaireur léger pour préparer le parcours du web est présentée. Ensuite, les travaux concernant la sélection de documents juste avant l'inclusion dans un corpus sont résumés : il est possible d'utiliser les apports des études de lisibilité ainsi que des techniques d'apprentissage artificiel au cours de la construction du corpus. Un ensemble de caractéristiques textuelles testées sur des échantillons annotés évalue l'efficacité du procédé. Enfin, les travaux sur la visualisation de corpus sont abordés : extraction de caractéristiques à l'échelle d'un corpus afin de donner des indications sur sa composition et sa qualité.

L’élaboration d’un lexique « spécialisé » dans un domaine donné, ici celui de l’eau, est abordée dans une problématique d’inter-compréhension entre les auditoires auxquels s’adressent ceux qui l’utilisent en tant que tel, et celui des media (presse et télévision) lorsque leur discours au quotidien porte sur le même domaine. Les « strates discursives » du domaine résultent du choix des mots et de leur agencement en discours en fonction de l’auditoire. Elles rendent compte de cette problématique. Les auditoires du discours technico-scientifique et du discours technico-administratif sur l’eau ne sont pas les mêmes, ce qui permet de distinguer les deux strates discursives. D’autres discours du domaine sont inspirés par la pratique d’un art ou fondés sur une morale (une éthique), une religion ou une idéologie. Ils visent à produire un engagement personnel, voire collectif. Ils relèvent d’une autre strate discursive baptisée « décisionnelle incitative ». La quatrième strate discursive est celle du quotidien, des media, du langage courant. Ces strates discursives ont un vocabulaire spécifique et une approche différente des éléments communs du lexique, ce qui peut conduire à des incompréhensions ou à des malentendus sur le sens des mots. Le lexique stratifié est adossé à une ontologie des objets de connaissance du domaine, dont les concepts sont transposés dans des unités lexicales « pivot ». Ces unités peuvent être associées à des unités lexicales « satellites » dans d’autres strates discursives, avec des libellés identiques ou proches, dans un sens différent. Les unités discursives non stratifiées permettent d’accéder aux unités lexicales définies et exemplifiées dans les textes du lexique. Les noms propres édités dans l’ontologie du domaine peuvent être lexicalisés et exemplifiés. L’approche conceptuelle du lexique est complétée par une approche en linguistique de corpus par textométrie des corpus de textes issus des documents référencés du domaine. La textométrie fait émerger des substantifs et des syntagmes nominaux récurrents qui peuvent être intégrés dans le lexique lors de mises à jour sur de nouveaux thèmes et de nouvelles disciplines, en lien avec celle des concepts édités dans l’ontologie du domaine. La thèse présente sur des exemples le double processus de construction du lexique : à partir de l’ontologie du domaine, en tant que pivot du lexique, et par l’analyse textométrique des corpus de textes. La thèse est associée au projet de Dictionnaire de l’Académie de l’Eau, ou projet Lexeau® d’un lexique bilingue en français et en anglais des textes et des données sur l’eau. Elle en présente les fondements et divers aspects de la faisabilité.

La traduction est une activité linguistique qui joue un rôle primordiale dans la vie des différentes communautés humaines. Considérée comme moyen de communication et de connaissance de l’autre, plusieurs disciplines lui ont été consacrées. Au XVIIIème siècle, la faculté des langues (al-Alsun) a été instaurée en Égypte par Rifāʽa al-Tahtāwī, l’auteur de Taḫlīṣ al-ibrīz fi talḫlīṣ Bārīz. Cette œuvre a été traduite au XXème siècle par Anouar Louca sous le titre de l’Or de Paris. L’Étude présente porte sur une œuvre qui présente une description minutieuse du séjour de Rifāʻa al-Ṭahṭāwī en France, à savoir le Taḫlīṣ al-ibrīz fi talḫīṣ Bārīz. Cette œuvre appartient à l’époque de la Nahḍa de la littérature arabe.L’étude porte sur quatre chapitres : Le premier chapitre entame analyse esthétique comparée du Taḫlīṣ et de l’Or de Paris. Le chapitre explique les manifestations des deux versants de la Nahḍa dans le Taḫlīṣ et les stratégies adoptées par Louca dans son Or de Paris.Le deuxième chapitre présente une analyse sociolinguistique du Taḫlīṣ et de l’Or de Paris. Cette analyse met en lumière le lien intrinsèque entre la langue et la société. Une comparaison de l’œuvre dans sa langue source et sa traduction mettra l’accent sur la stratégie de Louca et sur les différences entre l’original et la traduction.Le troisième chapitre porte sur la problématique de la fidélité selon la théorie interprétative. La marge de liberté et les procédés utilisés par Louca seront discutés. Le quatrième chapitre est une analyse sémantique sélective d certains passages dans le Taḫlīṣ et leurs représentations dans l’Or de Paris. L’analyse va porter sur le titre, le premier paragraphe et la traduction faite par Rifāʻa al-Tahtāwī de la charte constitutionnelle de 1814. Les quatre chapitres procèdent par une mise en parallèle de l’œuvre original et de sa traduction.Nous reconnaissons la difficulté de la tâche assumée par Louca vu la richesse de l’œuvre de Rifāʻa al-Tahtāwī qui représente un tournant dans l’histoire de la littérature arabe. La spécificité culturelle, esthétique, historique et linguistique constitue un vrai défi à la traduction.