Appréhender dynamiquement les textes à plusieurs niveaux de détail

1. Lydia-Mai Ho-Dac, Marie-Paule Jacques, Marie-Paule Pery-Woodley, Thomas Porquet et Josette Rebeyrolle, (ERSS), Mustapha Mojahid et Jacques Virbel (IRIT), Brigitte Grau, Christian Jacquemin, Michèle Jardino et Jean-Philippe Merienne (LIMSI), Massih-Reza Amini et Patrick Gallinari (LIP6), Thierry Baccino et Bérénice Closson (LPEQ) Appréhender dynamiquement les textes à plusieurs niveaux de détail

2. Introduction • Qu’apportent ou qu’exigent les nouvelles interfaces d’accès aux documents ? • Quelles analyses (semi-)automatiques développer pour préparer ? • Quels outils développer pour faciliter ? • Quelles observations faire pour évaluer ?

3. Plan • Linguistique: nouvelles lectures et analyse des titres • Informatique: segmentation automatique • Psychologie: observation des stratégies de lecture

4. Dynamisation de la lectureAnalyse linguistique des titres

5. DYNAMISATIONAffichage - Accès - Parcours • Nouvelles technologies d’affichage pour la visualisation dynamique des documents • transparence, spatialisation, flou, rendu à plusieurs niveaux de détail, orientation tridimensionnelle • Nouvelles possibilités de prise de connaissance (accès et parcours) • ≠ rouleau, codex, hypertexte

6. ECONOMIE de la FACE VISUELLE des DOCUMENTS (1) • Cinq composantes importantes : • contexte technique ou économique de production, impact de valeurs culturelles, esthétiques ou expressives, genre rédactionnel, efficacité communicationnelle, contribution au sens du texte • Dépendances et intrications —> Analyse ciblée vers le (re)traitement à des fins de dynamisation

7. ECONOMIE de la FACE VISUELLE des DOCUMENTS (2) • Présentation « inerte » / anticipation de processus d’utilisations variées • lecture suivie exhaustive • lecture par sauts de niveaux • relecture • consultation rétrospective ponctuelle • « feuilleter » • « lecture en diagonale » (superlecture) • recherche ciblée inédite • … • Importance des systèmes de titres

8. Analyse linguistique des titres Les titres ont un rôle triple : délimiter des segments, informer sur le contenu de ces segments, les relier. 3.4 BESOINS DES USAGERS ; PROPOSITION DE DEFINITION D' UN CAHIER DES CHARGES DE L' INFORMATION A DELIVRER3.4.1 BESOINS DES USAGERSL'étude devra permettre d'identifier les besoins réels des usagers en information : […]3.4.2 CAHIER DES CHARGES DE L' INFORMATION ROUTIERELe titulaire devra […], proposer un cahier des charges de l' information routière […] • caractérisation formelle et fonctionnelle des titres • étude du lien entre titre et texte

9. Un ensemble de formes diversifiées SN La géographie stratégique de l’ère nucléaire SV Penser la guerre totale SP Pour une "mondialisation durable" PhraseLa place du pétrole dans le bilan énergétique est stable Coordination Recul de la pauvreté et inégalité internationale PonctuationDécolonisation : une déconstruction politique et militaire Après le rapport Rumsfeld, les réorganisations en cours Caractérisation formelle • corrélation rang/forme • corrélation genre discursif/forme

10. classification formelle des types de reprises • typologie fonctionnelle Caractérisation fonctionnelle Le titre est-il un point d'accès pertinent pour le texte ? => analyser les fonctions des titres par rapport au contenu entre le titre et le texte qui précède entre le titre et te texte qui suit Observer les liens

11. Classification formelle des types de reprises Focalisation sur éléments formels : reprises / anaphores des titres • formes des reprises • localisation des reprises • fonction syntaxique des reprises (sujet) • typologie fonctionnelle des titres : émergence de deux pôles

12. Titres réferentiels fonction : préciser le ou les référents dont la suite du texte va parler. processus interprétatif : attirer l’attention du lecteur sur un ou des référents du discours particulier(s) 2.2.4 BULLETIN PREVISIONNELCe bulletin est transmis par télécopieur au CIGT 31 du lundi au samedi vers 16h00. Il recense, pour la zone d’action du CRICR du Sud-Ouest, les perturbations (travaux, manifestations,...) attendues pour le lendemain, l’état prévisionnel du trafic du lendemain […]

13. Titres thématiques fonction : délimiter un cadre thématique dans lequel s’inscrit ce dont on va parler : un domaine d’activité, un domaine de connaissances, un point de vue, une situation spatio-temporelle, etc., spécifiques. processus interprétatif : canaliser certaines des connaissances d’arrière-plan du lecteur. 4.1.3. D’un point de vue technique Premièrement, l’interface a été conçue pour inciter les étudiants à utiliser certains outils (même si l’on savait à l’avance que, en toute hypothèse, les étudiants font ce qu’ils veulent ; ainsi, certains ont utilisé un outil externe de mail) ; [...]

14. Perspectives des travaux linguistiques (1) • Vers des méthodes et outils d’encadrement et d’étagement des textes: • Diversification de types fonctionnels de titres • Objets intermédiaires entre titres et résumés (surtitres, accroches, chapeaux, etc.) • Objets intermédiaires entre corps et annexes

15. Perspectives des travaux linguistiques (2) • liens titre / texte suivant, vers une typologie fonctionnelle automatique • liens titre / texte précédent, effet d'annonce • liens entre titres • titres et autres modes de structuration (cadres de discours)

16. Segmentation thématique de textes

17. Segmentation de textes • Différentes approches • Méthodes linguistiques • Entités textuelles de base: mots ou groupes de mots • Méthodes statistiques • Entités textuelles de base: phrases ou paragraphes • Les techniques d’apprentissage pour la segmentation de textes prônent une approche supervisé. • Notre approche est à base d’apprentissage non-supervisé pour la segmentation thématique de textes • Entités textuelles de base: paragraphes

18. t1 t1 d1 d1 c1 c1 t2 t2 d2 d2 c2 c2 t3 t3 d3 d3 t4 t4 Mots Mots Paragraphes Paragraphes "Concepts" Notre approche pour la segmentation • Représentation des paragraphes dans l’espace des concepts • Regroupement des paragraphes avec l’algorithme CEM similaire à l’algorithme EM

19. Apprendre des concepts de mots • Un concept: Groupement de mots formé à partir de la co-occurrence des mots dans les paragraphes • Chaque mot w du vocabulaire est d’abord caractérisé par un vecteur représentant le nombre d’occurrence de w dans chaque paragraphe • Chaque mot w est supposé être généré indépendamment par un mélange de densité de Gaussiennes hypersphériques

20. 6 BIC3+BIC4≤BIC2 BIC2 BIC3,BIC4 4 2 0 BIC5+BIC6≥BIC1 BIC5,BIC6 BIC1 -2 -4 -2 0 2 4 6 Les concepts sont trouvés en utilisant l’algorithme X-moyennes • L’algorithme est une extension de l’algorithme des K-moyennes pour lequel le nombre de clusters est trouvé au lieu d’être fixé à l’avance

21. Un exemple de groupement de mots trouvé

22. Groupement des paragraphes • Les paragraphes sont supposés être générés indépendamment par un mélange de densités • Les paramètres du mélange sont estimés en maximisant la vraisemblance classifiante avec l’algorithme CEM. • L’algorithme K-moyennes est une instance de l’algorithme CEM dans lequel les densités sont supposées être des gaussiennes.

23. Expériences • La collection 7sectors du projet Web-KB • 3417 html articles, taille du vocabulaire : 16525, # de concepts trouvés: 217.

24. Evaluation • Une comparaison entre notre approche (COS), l’algorithme CEM avec une représentation sac-de-mots des paragraphes (B0W) et l’algorithme de Salton et al. (c) : # de paragraphes correctement assignés à c (c) : # de paragraphes incorrectement assignés à c (c) : # de paragraphes incorrectement non-assignés à c

25. Evaluation (2)

26. Conclusions sur la segmentation thématique • La segmentation thématique basée sur l’extraction de paragraphes avec une méthode d’apprentissage non-supervisé. • Donne de bonnes performances comparée à l’algorithme de Salton et al. et un autre algorithme à base d’apprentissage non-supervisé • Explication à base de variables Latentes.

27. Analyse oculométrique de la lecture dynamique spatialisée

28. Objectifs de l'expérimentation • Quel est l’impact de la visualisation dynamique des documents • Stratégies de lecture différentes ? • Modulation dans la prise d’information et/ou la navigation ? • Analyse des parcours oculaires sur 3 types d’interfaces:

29. Interfaces (visualisation dynamique) • Interface simple • Interface plate • Interface 3D • 24 textes: • 12 textes (contenu connu: psychologie) • 12 textes (contenu général) Appréhender dynamiquement les textes à plusieurs niveaux de détail Pages Contextuelles

30. Texte texte Texte Texte texte Texte Niveau 1 Texte texte Texte Texte Texte Texte texte Texte Texte Texte Niveau 2 Texte texte Texte texte Texte texte Texte texte Texte texte Texte texte Texte texte Texte texte Texte texte Texte texte Texte texte Texte texte Niveau 3 Textes • Les textes étaient présentés sur 3 niveaux et contenaient 9 pages • Chaque page était accessible par un lien hypertextuel

31. Enregistrement des mouvements des yeux Méthodologie Mesures: • Nombre moyen de pages lues • Taux d’erreurs à un questionnaire • Nombre et durées des fixations par page • Analyse des scanpaths (trajectoires)

32. Les lecteurs sont capables de moduler (i.e adapter) leur prise d’information uniquement sur l’Interface 3D. • Niv 1 (Titre) < Niv 3 (Contenu) • Identique pour les autres Interfaces Résultats Pour un niveau de compréhension identique. • Le nombre moyen de pages lues: • 3D < Simple < Plate [F(2,21) = 4.54 p<.025]

33. Interprétation • La présence de pages contextuelles sur l’Interface 3D facilite l’intégration des informations par: • Un repérage du paragraphe lu à l’intérieur du document • Une représentation de la structure textuelle qui permet de moduler la prise d’information (i.e, accorder plus d’importance à certaines informations nécessaires à la compréhension).

34. Conclusion - perspectives • Analyse des mécanismes cognitifs de lecture augmentée sur support électronique • Réalisation de nouveaux terminaux pour l'accès aux documents avec des métaphores graphiques intuitives • Automatisation et raffinement des outils d'indexation et d'analyse textuelle donnant représentations multi-niveaux

35. Références autour du projet • Baccino, T. (2004). La lecture électronique, Presses Universitaires de Grenoble, Coll. Sciences et Technologies de la Connaissance. (254 pages). • Caillet M., Pessiot, J.-F., Amini, M.-R. & Gallinari, P. (2004). Unsupervised Learning with Term Clustering for Thematic Text Segmentation, Actes de la 7ème Conférence Internationale en Recherche d’Information Assisté par Ordinateur, RIAO. pp. 1-11. • Jacques, M.-P., Ho-Dac, L.-M. & Rebeyrolle, J. (2004). Quelques aspects méthodologiques d’une étude de la fonction discursive des titres en corpus. Actes Journée ATALA Modéliser et décrire l'organisation discursive à l'heure du document numérique, Semaine du Document Numérique, 22 juin 2004, La Rochelle. • Merienne, J.-Ph. et Jacquemin, C., (2003). Large XML Document Manager and Visualizer. In Proceedings, EUROGRAPHICS 2003, Granada, Spain. • Virbel J (ed.) (2002) Inscription Spatiale du Langage. Actes des Journées « Cognitique », Toulouse, IRIT, janvier 2002.