AAD22L : Détection automatique d'acronymes dans 22 langues dévoilée en Europe

Nous avons tous eu l'expérience de lire un rapport, un article scientifique ou simplement un long article d'actualité qui est ruiné par TMUA (Too Many Unnecessary Acronyms). L'auteur introduit un acronyme dans le premier paragraphe, d'autres dans les deuxième et troisième paragraphes aboutissant à un dernier paragraphe qui n'est plus qu'une suite de majuscules incompréhensibles.

Aujourd'hui, nous avons de l'aide grâce au travail de Maud Ehrmann de l'Université Sapienza de Rome en Italie et de quelques amis qui ont développé un analyseur de texte qui reconnaît plus d'un million d'acronymes dans 22 langues différentes. Le travail fait partie d'un effort plus large visant à analyser le contenu des reportages afin de suivre la couverture médiatique des organisations, des entreprises, des gouvernements, etc.

La tâche de repérer les acronymes dans le texte est relativement simple. Ces gars-là ont adapté un algorithme qui a été développé à l'origine pour repérer les acronymes dans les textes médicaux en anglais. Il recherche les expressions courtes en majuscules entre parenthèses et suppose que les mots immédiatement à gauche des parenthèses sont le développement de la forme longue de l'acronyme.

L'algorithme filtre ensuite les résultats pour supprimer les séquences de lettres qui incluent des éléments tels que des symboles monétaires et un espace après la première lettre, etc.

Cela conduit à quelques problèmes inévitables. L'un se produit lorsque l'algorithme ne parvient pas du tout à reconnaître l'acronyme. La principale raison de la non-reconnaissance sont les cas où la forme courte de l'acronyme est dans une langue différente de la forme longue, comme dans l'allemand Vereinigte Nationen (UNO), où la forme longue allemande est suivie de la forme courte anglaise, disons Ehrmann and co. (UNO signifie Organisation des Nations Unies, plus communément appelée ONU en anglais.

Un autre problème survient lorsque l'algorithme trouve la mauvaise version longue d'un acronyme. Un exemple de ceci serait Charles Otieno (PDG) et a tendance à se produire avec des acronymes génériques qui peuvent être appliqués à un grand nombre de personnes ou d'organisations.

Néanmoins, ces problèmes sont mineurs et l'algorithme fonctionne généralement bien. Ehrmann et co disent avoir trouvé des acronymes avec une précision supérieure à 90 pour cent pour les 22 langues qu'ils ont testées, à l'exception du français (87 pour cent).

Et ils spéculent que cela devrait bien fonctionner avec n'importe quelle langue qui utilise du texte en majuscules pour représenter les acronymes. Bien que nous soupçonnions que la méthode fonctionnera bien avec les langues utilisant par exemple les alphabets cyrillique ou grec, elle ne fonctionnera probablement pas bien pour les langues utilisant les écritures arabes ou hébraïques car celles-ci ne distinguent pas la casse, disent-ils.

Ehrmann et co ont l'intention d'étendre les travaux encore plus loin. Une idée est de trouver des moyens de relier les formes longues d'acronymes dans différentes langues. Une autre consiste à trouver des moyens de reconnaître et de comprendre automatiquement les acronymes qui ne s'accompagnent pas de leur extension de forme longue (un problème délicat même pour les humains). Cela pourrait être possible en explorant le contexte local à la recherche d'indices, mais c'est un objectif ambitieux.

Fait intéressant, trois des quatre auteurs de ce travail sont au Centre commun de recherche, le laboratoire de recherche de la Commission européenne en Belgique. La langue est un problème important et coûteux pour la CE, l'organe exécutif de l'Union européenne. Il doit faciliter la communication entre les personnes de 28 pays utilisant 24 langues officielles pour un coût d'environ 330 millions d'euros par an, soit environ 60 centimes pour chaque citoyen de l'UE.

Il y a donc un intérêt considérable à automatiser autant que possible cela. Les acronymes sont une première étape petite mais utile.

Réf : arxiv.org/abs/1309.6185 : Reconnaissance et traitement des acronymes en 22 langues

cacher