cdn.media.ccc.de/.../wikidatacon2019-14-eng-Keynote_Why_is_collecting_lexical_data_one_of_the_best_ways_we_can_help_support_underserved_and_endangered_languages_hd.mp4

Il existe environ 7 500 langues

parlées dans le monde aujourd'hui.

On estime qu'environ 70 % d'entre elles

risquent de disparaître
d'ici la fin du XXIe siècle.

La mort d'une langue

est la rupture d'un lien

qui a duré des centaines
voire des milliers d'années,

un lien avec la culture, avec l'histoire,

avec les traditions et le savoir.

Le linguiste Kenneth Hale a dit

que la mort d'une langue

serait comme larguer
une bombe en plein Louvre.

On se demande alors :

pourquoi les langues meurent-elles ?

Une réponse simple serait que

les gouvernements autoritaires

interdisent aux peuples
de parler leur langue natale,

punissent les enfants
s'ils le font à l'école,

ou ferment les stations de radio
de langues minoritaires.

Cela s'est déjà produit

et se produit encore aujourd'hui
dans une certaine mesure.

Pour être honnête,

dans la grande majorité des cas
de disparition des langues,

la réponse est beaucoup plus simple

et beaucoup plus facile à expliquer.

Les langues meurent

parce qu'elles ne sont pas transmises
d'une génération à une autre.

Lorsqu'un locuteur d'une langue
minoritaire a des enfants,

une équation s'impose à lui.

Il se demande...

s'il doit transmettre
sa langue natale à ses enfants

ou s'il doit se limiter
à leur apprendre la langue majoritaire.

En fait, dans sa tête,

il se représente une balance

qui, d'un côté,

chaque fois que l'opportunité
d'utiliser sa langue natale se présente

pour communiquer ou pour aborder
un aspect de la culture traditionnelle

une pierre est placée du côté gauche,

et dès qu'il se retrouve incapable
de parler sa langue natale

et obligé de parler la langue majoritaire,

une pierre est placée du côté droit.

Étant donné le sentiment
de force et de dignité

que confère le fait
de parler sa langue natale,

les pierres du côté gauche
ont tendance à peser plus lourd.

Mais s'il y a assez de pierres à droite,

la balance penchera
forcément de ce côté-là,

et lorsqu'une personne décide
de transmettre sa langue,

elle considère sa propre langue

comme un fardeau
plutôt qu'une bénédiction.

Comment donc inverser cela ?

Il faut d'abord s'interroger...

sur les sphères sociales
dans lesquelles une langue donnée

peut être parlée.

Toutes les langues natales
parlées de nos jours

peuvent être parlées au sein des familles.

Un ensemble limité de langues peuvent
être parlées au sein des communautés,

un autre encore plus limité
au niveau régional,

et seulement une poignée de langues

sont utilisées dans le cadre
de communications internationales.

Même au sein de ces sphères,

on se demande si l'on peut utiliser
telle ou telle langue

à des fins éducatives, commerciales

ou dans le domaine de la technologie.

Pour mieux illustrer

ce que je veux dire,

j'aimerais me servir d'une anecdote.

Disons que vous partez bientôt

pour des vacances de rêve en Inde

et que vous avez huit heures
d'escale à Istanbul.

Vous n'aviez pas vraiment prévu
de visiter la Turquie

mais vous avez un ami turque

qui vous propose de découvrir
un bon restaurant

pas très loin de l'aéroport,

vous vous dites : « J'y ferai un tour
durant mon escale. »

Vous quittez l'aéroport,

vous allez à votre restaurant,

et on vous donne le menu

qui se trouve être entièrement en turc.

Disons qu'à titre d'exemple,

vous ne parlez pas turc.

Que faites-vous ?

Si vous avez de la chance,

vous trouverez peut-être quelqu'un
qui parle votre langue natale,

l'allemand, l'anglais, etc.

Mais supposons que ce ne soit pas
votre jour de chance

et que personne dans le restaurant
ne parle allemand ou anglais.

Que faites-vous ?

Je suppose que, comme moi,
la plupart d'entre vous

recourrez à la technologie,

à une traduction automatique
ou un dictionnaire numérique,

que vous rechercherez
chaque mot séparément

et finirez par commander
un délicieux plat turque.

Imaginons plutôt que

vous parlez une langue minoritaire.

Le bas sorabe par exemple.

Le bas sorabe est une langue
menacée d'extinction,

parlée ici en Allemagne,

à environ 130 kilomètres au sud-est,

par quelques milliers de personnes,
âgées pour la plupart.

Disons que le bas sorabe
est votre langue natale.

Vous êtes dans le restaurant.

Les chances d'y trouver quelqu'un

qui parle votre langue natale
sont bien sûr exceptionnellement faibles.

Là aussi, vous pouvez avoir recours
à la technologie.

Toutefois, il n'existe pas
de solution technologique

adaptée à votre langue natale.

Vous devrez vous en remettre
à l'allemand ou à l'anglais

comme langue pivot
pour comprendre le turc.

Vous réussissez bien entendu
à commander un délicieux plat turc

mais vous vous demandez à quel point
cela aurait été difficile

pour votre grand-père par exemple
qui ne parle pas allemand.

Bien que ce ne soit qu'un petit incident,

la balance pencherait tout de même
un peu plus du côté droit

et vous vous direz peut-être,

le jour où vous auriez des enfants
ou d'autres enfants,

que la situation pénible
que vous avez vécue

fait que continuer à utiliser
votre langue natale soit inutile.

Imaginez encore si ce scénario

était d'une importance plus critique,

dans un cadre hospitalier par exemple.

C'est sur ce point
que nous pouvons intervenir,

par « nous », je veux dire
vous et moi, ici présents.

Nous avons les moyens d'intervenir.

Si des outils technologiques
sont accessibles

aux locuteurs de langues
minoritaires ou défavorisées,

la balance pencherait
légèrement du côté gauche.

Personne ne se dit forcément

qu'il doit parler une langue minoritaire

pour pouvoir interagir avec le monde,

les sphères sociales
en seraient plus ouvertes.

La solution idéale serait bien sûr

d'avoir accès à la traduction automatique
dans toutes les langues du monde.

Malheureusement, ce n'est
tout bonnement pas possible.

La traduction automatique nécessite
un vaste corpus de textes

et pour beaucoup de ces langues

qui sont en voie de disparition
ou défavorisées,

ces données ne sont pas disponibles.

Certaines de ces langues
ne sont même pas écrites

ce qui rend la collecte de données

pour alimenter un moteur
de traduction automatique

peu probable.

Ce qui est accessible par contre,
sont les données lexicales.

Grâce aux travaux de plusieurs linguistes

au cours des derniers siècles,

des dictionnaires
et des grammaires ont été créés

pour la plupart des langues du monde.

Malheureusement, la plupart de ces travaux

ne sont pas accessibles au monde,

encore moins aux populations
parlant ces langues minoritaires.

Ce n'est pas un processus délibéré,

il s'agit souvent d'une première édition
limitée de ces dictionnaires

et les seules copies qui existent

moisissent quelque part
dans une librairie universitaire.

Mais nous pouvons
nous emparer de ces données

et les rendre accessibles à tous.

La fondation Wikimedia
compte parmi les meilleures,

si ce n'est la meilleure au monde,

organisations à rendre
accessibles des données

à la majorité des populations du monde.

Penchons-nous sur cette question.

Pour expliquer un peu
notre travail à ce sujet,

j'aimerais vous présenter
mon organisation PanLex,

le but de cette organisation

est de collecter des données lexicales
pour les rendre accessibles.

Tout a commencé il y a 12 ans

à l'université de Washington,
dans le cadre d'un projet de recherche.

L'idée était de démontrer
qu'on pouvait créer

un outil de traduction efficace

à partir de traductions « induites »,

un outil de traduction lexical
pour ainsi dire.

Voici un exemple tiré
des données de PanLex.

C'est pour vous montrer comment traduire

le mot « ev » qui veut dire
« maison » en turc,

en bas sorabe,

la langue dont je vous parlais
tout à l'heure.

C'est très peu probable de trouver

des dictionnaires turc - bas sorabe,

mais en croisant le terme

avec plusieurs langues
intermédiaires différentes,

on peut créer des traductions efficaces.

Quand on a présenté ça
pour les projets de recherche,

le fondateur de PanLex,
Dr. Jonathan Pool,

s'est dit : « Pourquoi
ne ferait-on pas ça ? »

Il a donc lancé une organisation
à but non lucratif

pour collecter le plus données lexicales
possibles et les rendre accessibles.

Ça a été notre travail pendant
les 12 dernières années.

Durant ce temps, nous avons collecté
des milliers de dictionnaires,

en avons extrait des données lexicales,
et compilé une base de données

qui dispense des traductions
lexicales inférées

entre...

on compte présentement 5 500 langues

sur les 7 500 langues
parlées dans le monde.

Évidemment,

nous tendons continuellement
à élargir cette base de données

et à enrichir les données
de chaque langue.

La question qui se pose ensuite

est comment pouvons-nous
collaborer là-dessus ?

Chez PanLex, nous observons
le développement des données lexicales

sur lequel travaille Wikidata

avec beaucoup d'enthousiasme.

C'est très fascinant
de voir des organisations

travailler sur des aspects différents

d'une sphère similaire.

Nous attendons avec impatience

d'en voir les résultats.

Nous sommes également impatients
de collaborer avec Wikidata.

Je pense que les compétences spécifiques

que nous avons développées
depuis les 12 dernières années,

non seulement en collectant
des données lexicales

mais dans la conception
de notre base de données,

peuvent être très utiles pour Wikidata.

D'autre part, je pense que...

Les compétences de Wikidata

dans le crowdsourcing des données
sont très prometteuses.

Les sources actuelles de PanLex

sont des sources lexicales
imprimées ou autres,

mais nous ne faisons pas
de crowdsourcing.

Notre infrastructure ne nous le permet pas

et la fondation Wikimedia

est l'expert mondial du crowdsourcing.

Je suis impatient de collaborer

pour mettre en pratique ces compétences.

Mais le plus important je pense,

est le fait que dans notre travail,

le moindre détail compte.

Nous avons passé des heures
à examiner des formes grammaticales,

à feuilleter des dictionnaires
mordernes ou ancients,

parfois même des dictionnaires
récemment publiés,

et à s'attaquer
à la forme écrite des mots.

Ça a l'air très méticuleux.

Or, parfois, nous devons nous rappeler
que nous devons prendre du recul

dans le sens où même si cela...

peut parfois paraître banal,

notre travail est extrêmement important.

Je pense que c'est l'ultime moyen

de soutenir les langues menacées

et de nous assurer que
la diversité linguistique de la planète

survive jusqu'à la fin de ce siècle
voire longtemps plus tard.

Il est tout à fait possible
que notre travail aujourd'hui

contribue à la préservation,
à la transmission, et à la survie

des langues menacées.

Gardez donc à l'esprit

que si vous utilisez sur votre ordinateur

pour saisir une donnée

et que vous ajoutez les formes
de données d'une langue minoritaire

correspondant à chaque non,

le travail insignifiant
que vous faites en ce moment

peut contribuer à faire en sorte
que cette langue survive

jusqu'à la fin du siècle
voire plus longtemps.

Merci beaucoup,

je vais maintenant
prendre des questions.

(applaudissements)

(intervenant·e 1) Merci.

- Merci pour votre intervention.
- Merci à vous.

J'ai une question
concernant les dictionnaires.

Vous travaillez avec
des dictionnaires papier, n'est-ce pas ?

- Oui.
- J'aimerais savoir

ce que vous en prélevez

et s'il y a des soucis de droits d'auteur
à prendre en compte.

J'étais sûr que ce serait
la première question qu'on me poserait.

(rires)

Alors, chez PanLex,

selon les références légales
que nous avons consultées,

bien que l'agencement
et la structure d'un dictionnaire

soient soumis à des droits d'auteur,

la traduction en tant que telle
ne l'est pas.

Un annuaire par exemple

est soumis à des droits d'auteur,

du moins selon la loi américaine.

Mais dire que le numéro
de téléphone d'un Untel

est tel numéro ne l'est pas.

Comme je l'ai dit,

selon nos experts juridiques,

on peut aborder les choses
sous cet angle-là.

Même si cet argument légal
n'est pas assez solide,

il est important de garder à l'esprit

que la grande majorité
de ces données lexicales

sont libres de droits.

Un nombre important
de ces données sont libres de droits

et peuvent être librement utilisées.

En plus, la plupart du temps,

lorsqu'on travaille avec
un dictionnaire papier récent,

plutôt que de le scanner
ou de le passer à la ROC,

nous envoyons un email
à la personne qui l'a conçu.

Il se trouve que la plupart
des linguistes sont très contents

que leurs données puissent
êtres rendues accessibles.

« Bien sûr, allez-y, prenez tout
et rendez-le accessible. »

vous diront-ils.

Et donc selon nos experts juridiques,

nous avons au moins
cette possibilité,

et même si vous n'êtes pas
d'accord avec ça non plus,

Les données sont facilement
accessibles au public.

- (intervenant·e 2) Merci. Bonjour.
- Bonjour.

Pouvez-vous élaborer

sur la manière dont une personne
qui parle le bas sorabe

puisse accéder aux données ?

Plus précisément sur la manière
dont ces informations leur parviennent

et peuvent même les convaincre

soit pour essayer...

Très bonne question,

j'y réfléchis beaucoup également

parce que je pense que
lorsqu'il s'agit d'accès aux données,

cela se fait sur plusieurs étapes.

La conservation des données en est une,
il faut s'assurer de les préserver.

Deuxièmement, il faut
qu'elles soient interopérables

et donc utilisables.

Troisièmement, il faut
qu'elles soient accessibles.

Dans le cas de PanLex,

nous pouvons utiliser une API

mais l'utilisateur final n'y a
évidement pas accès.

Nous avons également
développé des interfaces.

Par exemple, si vous allez sur
« translate.panlex.org »,

vous pouvez effectuer des traductions
sur notre base de données.

Si vous voulez vous amuser un peu
avec l'API, allez sur « dev.panlex.org »

ou sur « api.palnex.org »
et vous y trouverez plein de choses.

Une autre étape à prendre en compte

est que même si vous rendez
toutes vos données accessibles

avec des outils très pratiques
permettant leur accessibilité,

si vous ne promouvez pas ces outils,

personne ne pourra utiliser ces données.

Pour être honnête,

cet aspect n'est pas suffisamment abordé

et je ne peux pas vous donner
la réponse adéquate.

Comment peut-on être sûr...

Disons par exemple
que je n'ai connu Wikidata

que très récemment,
quelques années auparavant,

et c'est le genre de choses
qui m'intéressent.

Comment peut-on se mettre en valeur ?

Laissons cette question ouverte.

Encore une fois, je n'ai pas
de réponse adéquate à cette question.

Bien sûr, pour y arriver,

on doit d'abord passer par
les premières étapes.

(intervenant·e 3) Si nous voulons bénéficier
de la traduction automatique,

n'avons-nous pas besoin
d'une mémoire de traduction ?

Je ne pense pas qu'entrer
des termes isolés

dans Wikidata,

ces courtes propositions
qu'on entre dans Wikidata,

qu'il s'agisse d'éléments ordinaires
ou de lexèmes Wikidata,

suffise pour effectuer
une traduction adéquate.

Nous avons besoin
de phrases complètes...

(Benjamin) Absolument.

Où trouvons-nous
ces structures de données ?

Je ne suis pas certain

que Wikidata puisse résoudre

la question de la mémoire de traduction
pour le moment.

« translatewiki.net »

pour aborder cette lacune...

Doit-on agir dans ce sens ou... ?

Oui, merci pour votre question.

J'en ai parlé un peu tout à l'heure,

mais je le répète avec plaisir.

C'est la raison précise pour laquelle

PanLex travaille
avec les données lexicales

et pour laquelle je me réjouis
au sujet des données lexicales

contrairement à...

Plutôt en plus des moteurs
de traduction automatique

et de la traduction automatique
en général.

Vous l'avez dit, la traduction automatique
nécessite des données spécifiques,

et ces données ne sont pas disponibles
pour la majorité des langues du monde.

Pour cette grande majorité,

elles ne sont
tout bonnement pas disponibles.

Ça ne veut pas dire que
nous devons baisser les bras.

Pourquoi ?

Si j'ai besoin de traduire
mon menu de restaurant turc,

la traduction lexicale serait
un très bon outil.

Je ne dis pas qu'on peut utiliser
la traduction lexicale

pour traduire des paragraphes
à la perfection.

Par traduction lexicale,
je veux dire du mot à mot,

et cette traduction lexicale
peut s'avérer très utile.

En fait, c'est amusant,
mais nous n'avons pas eu accès

à une bonne traduction automatique.

On n'y a eu accès que très récemment.

On se débrouillait bien
avec les dictionnaires,

et leur utilité est indéniable.

Les données sont disponibles

alors pourquoi ne pas
les rendre disponibles

au monde et à ceux
qui parlent ces langues ?

(intervenant·e 4) Bonjour, quels sont
les mécanismes en place

lorsque la communauté... Je suis ici !

- Où ça ? D'accord.
- Oui, pardon. (rit)

...lorsque la communauté en question

ne veut pas que PanLex obtienne
une partie de ces données ?

Bonne question.

Nous procédons comme suit :

si un dictionnaire est publié
et est mis à la disposition du public,

c'est un indicateur valide.

Vous pouvez l'acheter dans un magasin
ou dans une bibliothèque universitaire,

ou une bibliothèque publique
à la disposition de tous.

Cela indique bien
que la décision a déjà été prise.

[inaudible]

(intervenant·e 5) Pouvez-vous
parler dans le micro ?

Pouvez-vous répéter ça ?

(intervenant·e 5) Les linguistes n'ont pas
toujours la permission de la communauté

pour publier certaines choses,

ils le font souvent sans
le consentement de la communauté.

C'est vrai.

Je dirais que...

ça arrive.

Je dirais qu'en général,
les cas sont rares

et plutôt limités à l'Amérique du Nord,

parfois même à certaines langues
sud-américaines.

Il faut prendre ça en considération.

Si l'on portait à notre connaissance

que les données sur PanLex

ne devraient pas être accessibles
au reste du monde,

nous les supprimerions.

(intervenant·e 5) Très bien.

Ça ne veut pas dire,
bien entendu,

que nous prendrons en compte
les lois sur les droits d'auteur

mais nous prendre en compte
les communautés traditionnelles,

là réside la principale différence.

(intervenant·e 5) Oui, c'est ce que
je voulais dire.

Cela soulève un point très intéressant

en ce qui concerne

les représentants d'une langue.

J'ai visité le Sud-Ouest des États-Unis

pour collaborer avec des équipes

qui travaillent sur les langues
des indigènes Pueblos.

Ces indigènes parlent environ

six langues pueblos selon la région

qu'ils habitent.

Elles sont réparties
sur 18 pueblos différents

qui ont chacun
leur propre gouvernement tribal,

et ces gouvernements
ont des opinions divergentes

sur l'éventuelle accessibilité
de leur langue aux étrangers.

Le zuni, par exemple,

n'est parlé qu'au sein d'un seul pueblo.

Ils veulent vraiment que leur langue
soit accessible partout,

ils l'écrivent sur les panneaux
de signalisation et tout, c'est bien.

Mais pour certaines des autres langues,

les communautés qui les parlent
pourront vous dire :

« On ne veut pas que notre langue
soit accessible aux étrangers. »

Leurs voisins pueblos qui parlent
la même langue, qui vous diront :

« Nous voulons rendre notre langue
accessible aux étrangers

grâce à ces outils technologiques

parce que nous voulons
que notre langue survive. »

Cela soulève une question éthique
très intéressante.

Parce que si vous baissez les bras
en vous disant :

« C'est bon, j'arrête parce que
cette communauté veut que j'arrête, »

ne serait-ce pas injuste
envers le deuxième groupe

qui est convaincu de la nécessité
d'écarter ces choses-là.

Je ne pense pas que la réponse
à cette question soit facile à trouver.

Mais du moins en ce qui concerne PanLex...

D'ailleurs, nous n'avons jamais
été confronté à cette situation,

pour autant que je sache.

Ça pourrait être en partie parce que...

Pour revenir à sa question,

nous avons besoin
de plus de promotion. (rit)

Mais en général, à ma connaissance,

nous n'avons pas été confronté à ça.

Notre stratégie dans ce cas

est que si une communauté ne veut pas
de ses données dans une base de données,

nous les supprimons.

(intervenant·e 5) Nous avons abordé
le sujet dans Wikidata et Wikipedia...

- Ah bon ?
- (intervenant·e 5) Dans les commentaires.

- Vraiment ?
- (intervenant·e 5) Ça pose problème.

J'imagine, oui, surtout pour
des commentaires sur des photos ou autres.

(intervenant·e 5) Exactement.

(intervenant·e 6) J'ai une question
sur le crowdsourcing.

Pour ce qui est de demander
à une communauté

d'annoter ou d'entrer des données
dans un ensemble de données,

ce qui peut être intimidant
en tant qu'éditeur

c'est que je ne peux
voir que ce qui manque.

Mais si je vais y consacrer du temps
ayant une idée claire en tête,

que certains éléments sont prioritaires,

ça devient très motivant.

Je me demandais
si vous aviez un système qui...

Nous sommes conscients
des lacunes dans nos données,

les preuves linguistiques montrent
que si ces lacunes-là

avaient été annotées,
elles auraient un impact élevé.

J'imagine donc

qu'avoir le lexème correspondant
à « maison » est important,

plus important que le lexème
correspondant à « donnée » ou autre.

Je me demandais si vous aviez
un système pour ça,

si ça peut encourager les efforts
de ces communautés.

Bonne question.

Wikidata a beaucoup de...

Pardon, PanLex a beaucoup
de listes Swadesh.

Il parait qu'on a la plus vaste collection
de listes Swadesh au monde,

ce qui est intéressant.

Si vous ne savez pas
ce qu'est une liste Swadesh,

c'est une liste normalisée
d'éléments lexicaux

pouvant être utilisée
dans l'analyse des langues.

Elles contiennent des ensembles
de mots très basiques.

Il y a quelques différents types
de listes Swadesh.

Elles contiennent toutefois
100 ou 213 éléments

dont des mots comme

« maison » ou « œil » ou « peau »,

des mots généraux

que l'on trouve dans toutes les langues.

C'est un bon point de départ

pour avoir accès à ce genre de données.

Je le disais tout à l'heure,

nous ne faisons pas
de crowdsourcing pour le moment

et nous sommes très enthousiastes
à l'idée de pouvoir le faire un jour.

J'aimerais vraiment discuter de ce sujet
avec les personnes présentes,

de la manière dont
le crowdsourcing peut être utilisé

et la logistique impliquée,

c'est le genre de questions qui se posent.

Ce que je peux vous dire

c'est que nous avons
une liste de priorités...

En fait, nous avons effectivement
une liste de priorités

quant aux langues que nous recherchons.

Nous commençons par rechercher les langues

qui ne sont pas inclues
dans les solutions technologiques

et qui sont le plus souvent,
disons généralement,

des langues minoritaires,

et les privilégions.

En ce qui concerne
les éléments lexicaux isolés,

et du moment que c'est sous cette forme
que nous récoltons les nouvelles données,

il s'agit principalement d'ingérer
la totalité d'un dictionnaire.

Nous nous référons
au choix des éléments lexicaux

du dictionnaire, plutôt que
de rechercher le terme « maison »

dans chaque langue.

Pour ce qui est du crowdsourcing,

nous avons besoin
de quelque chose de similaire.

C'est une opportunité
de recherche et de développement.

(intervenant·e 7) Bonjour, je m'appelle
Victor et tout ceci est génial.

Par rapport à vos diapositives...

Pouvez-vous élaborer
sur la situation technique

où circulent les informations
entre Wikidata et PanLex

en place actuellement ?

Est-ce une situation déjà établie

ou sinon, comment faites-vous

en termes d'échange
ou de retour d'informations

entre PanLex et Wikidata ?

Nous n'avons pas de relation officielle
avec Wikidata actuellement

et encore une fois, je suis très content

de pouvoir aborder ce sujet
dans le cadre de cette conférence.

Nous avons eu quelques échanges
avec Wikitionary

mais honnêtement, Wikidata
serait une meilleure solution

pour le travail que nous faisons.

Avoir un accès direct
aux informations lexicales

signifie que nous auront moins

d'analyse et d'extraction
de données à faire.

Nous ne collaborons pas encore
mais nous espérons le faire.

(intervenant·e 7) Si ça ne se fait pas,
quels obstacles prévoyez-vous ?

Visiblement, Wikidata
prend en compte plusieurs langues,

mais lorsque je vais sur
« translate.panlex.org »,

je vois que vous travaillez
avec beaucoup de dialectes,

beaucoup plus que Wikidata.

Comment percevez-vous cet écart

entre la traduction lexicale d'abord,

telle qu'elle est appliquée,

et le fait d'essayer de dresser
une structure de connaissances ?

Schématiser des connaissances
peut s'avérer très intéressant.

Nous avons ardemment discuté

de la manière dont Wikidata
organise ses données lexicales,

vos données lexicales,

et celle dont nous organisons les nôtres.

Les différences subtiles qui existent
nécessitent une stratégie de modélisation,

certaines d'entre elles
ne seront pas automatiques

mais nous pourrions développer
des techniques pour y arriver.

Vous avez mentionné
les variantes linguistiques.

Nous sommes plutôt
« catégoriques » à ce sujet.

En d'autres termes,
si l'on porte à notre connaissance

que pour telle langue,
tel ou tel dialecte est parlé

du côté gauche de la rivière,
en Papouasie-Nouvelle-Guinée

et qu'une autre source nous affirme

que tel ou tel dialecte est parlé
du côté droit de la rivière,

nous les considérerons
comme deux langues à part,

et ce, pour préserver au mieux
les données que nous avons.

Pouvoir structurer tout ça
à la manière de Wikidata...

Ce que j'aimerais vraiment c'est discuter

de la manière dont les langues

sont désignées sur Wikidata.

Encore une fois, notre stratégie
est une stratégie de séparation.

Nous utilisons des codes ISO 6393

fournis par l'Ethnologue,

puis prévoyons plusieurs variantes
pour chaque code,

que ce soit pour les variantes écrites,

les dialectes régionaux
ou les sociolectes.

Là encore, la discussion est ouverte
et la collaboration est possible.

(femme 3) Bonjour, j'aimerais savoir
si vous avez un pipeline ROC

parce que nous avons essayé la ROC
pour les langues mayas

sans succès.

Ça ne comprend rien...

- Oui ! (rit)
- (intervenant·e 8) Oui...

Si vos pipelines sont disponibles...

Autre chose, à propos
du chevauchement des codes ISO,

on entend parfois :

« Ceci est une langue,
celle-ci en est une autre, »

d'autres sources disent autre chose,

comme vous le dites,
alors qu'elles se chevauchent.

Comment procédez-vous ?

Très bonne question.

J'apprécie énormément.

Nous n'avons pas de pipeline ROC
à proprement parler,

nous procédons source par source.

C'est parce que nous avons souvent

des sources qui ne nécessitent pas de ROC

et qui sont disponibles
pour certaines de ces langues.

Nous nous concentrons là-dessus
parce qu'elles demandent moins de travail.

Mais si nous voulons
nous intéresser de plus prêt

à l'une des sources
que nous avons accumulées,

nous devrons développer
des pipelines ROC solides.

Il y aussi le fait que,
comme vous l'avez mentionné,

ceux qui ont conçu les logiciels ROC

ne réalisent pas à quel point

ils peuvent être soumis
à des épreuves sous contraintes.

Et vous savez le plus drôle ?

Soumettre un dictionnaire
russe - tibétain à une ROC.

Il s'avère que c'est très difficile...

Nous y avons renoncé
et avons engagé quelqu'un pour tout taper,

ce qui était tout à fait faisable.

Il parait même que

cette dame russe exceptionnelle
a appris le tibétain

justement pour pouvoir faire ce travail,
ce qui vraiment génial.

Je pense que si vous avez affaire
à des caractères latins,

des solutions ROC robustes
peuvent être développées

pour traiter des sources
multilingues semblables,

il faudra s'attendre
à y trouver un quatre aléatoire,

si vous avez affaire

à des sources mayas du XVIe siècle,
le chiffre quatre.

Toutefois, il y a quelques sources

que la ROC ne pourra probablement
jamais vraiment traiter

ou qui nécessitent une quantité
de travail énorme,

dont nous pouvons profiter
un peu maintenant.

Nous travaillons
sur un autre projet chez PanLex

dans le cadre duquel nous transcrivons

toute la littérature
traditionnelle de Bali.

Nous avons trouvé
que pour les manuscrits balinais,

il n'y a pas moyen d'utiliser la ROC.

Nous avons donc demandé
à plusieurs balinais de les taper,

et c'est devenu un projet culturel
sympa à Bali,

c'est même passé aux infos et tout.

Je dirais qu'on n'est pas obligé
de recourir à la ROC,

même s'il y a trop de choses
qui nécessiteraient cela.

Avoir de bonnes solutions ROC
serait idéal.

D'ailleurs, s'il y en a qui s'intéressent
à la ROC multilingue,

venez me voir après !

(intervenant·e 9) Merci
pour votre présentation.

Vous avez parlé d'intégration

entre PanLex et Wikidata,

mais vous n'avez pas vraiment
fourni de détails.

J'ai vérifié votre licence,
vous êtres sous CC0.

- Oui.
- (homme 6) C'est génial.

Il y a deux possibilités :

soit on peut importer les données

soit on vire vers quelque chose
de semblable à Freebase,

où l'on a la base de données complète
depuis Freebase

qu'on a importée,
pour ensuite créer un lien,

un identifiant externe à la base
de données Freebase.

Si vous avez une idée en tête,
se rapproche-t-elle de ça ?

Ou vous voulez simplement créer...

une base de données indépendante
qui pourrait être liée à Wikidata ?

C'est une très bonne question

et je pense même que
ça a une longueur d'avance

sur ce que j'ai en tête,

en partie parce que

faire en sorte que les deux bases
de données collaborent

est une étape en soi.

Je pense que la première étape

serait la mise en commun
de nos compétences.

Nous avons beaucoup d'expérience

dans la classification des propriétés
de différents lexèmes

que je serai ravi de partager.

Mais lier les deux bases de données
serait formidable.

J'en suis parfaitement sûr.

Je pense que ce serait plus facile

de lier Wikidata à PanLex,

c'est peut-être subjectif de ma part
parce que je sais que ça peut marcher.

En fait, du moment
que Wikidata est satisfait

en ce qui concerne la licence,
ou que nous trouvons un arrangement,

ce serait une très bonne idée.

Il ne nous reste plus qu'à trouver

des moyens de lier
les données elles-mêmes.

Ce serait vraiment bien que
les modifications effectuées sur Wikidata

puissent immédiatement alimenter
la base de données PanLex,

sans avoir à réingérer...

et donc faire de Wikidata
une interface collaborative pour PanLex

serait vraiment génial.

La possibilité d'utiliser PanLex
pour des traductions immédiates,

d'effectuer des traductions à travers
les éléments lexicaux de Wikidata...

ce serait magnifique.

(intervenant·e 10) On dirait le processus
de vérification de la toile sémantique

pour combler des vides par interférence.

Si on réfléchit un peu plus
à ce genre de traduction,

comment gérez-vous les non-concordances

sémantiques et grammaticales ?

Par exemple, si vous essayez de traduire
quelque chose en allemand,

vous pouvez placer des mots ensemble

et avoir un résultat qui ait du sens,

mais d'un autre côté, j'ai lu que...

parfois, les langues ont
des systèmes granulaires différents

pour les couleurs, par exemple.

Vous dites que tous les systèmes

sont différents ou similaires ?

(intervenant·e 10) Je pense qu'il s'agit
plutôt de l'évolution des langues

où on ne désignait
que le noir et le blanc...

Oui, la hiérarchie des couleurs.

La hiérarchie des couleurs

est un bon moyen d'illustrer
comment ça marche.

Quand vous n'avez
qu'une seule langue pivot...

C'est très intéressant de lire des études
sur les traductions automatiques

où l'on mentionne souvent
l'existence d'une langue pivot théorique,

« il y a une langue pivot » lira-t-on,

ensuite il s'avère que c'est l'anglais.

À travers cette forme
de traduction lexicale,

le croisement de plusieurs langues
intermédiaires différentes

peut amener une meilleure gestion
de l’ambiguïté sémantique.

Du moment que le croisement
se fait à travers des langues

ayant des limites sémantiques
plutôt similaires,

vous pourrez éviter

d'introduire de l'ambiguïté sémantique
à travers une langue pivot.

Si on utilise la hiérarchie
des couleurs comme exemple,

si l'on prend une langue

qui a un seul terme
pour désigner le bleu et le vert

et le traduit en bleu

dans votre langue pivot unique

puis dans une autre langue différente

qui comporte des ambiguïtés différentes,

vous finirez par instaurer
une ambiguïté sémantique.

Mais si le croisement se fait
avec des langues

qui n'ont également qu'un seul
élément lexical pour le vert et le bleu,

la spécificité sémantique

est transmise à la langue cible.

En ce qui concerne
les caractéristiques grammaticales,

PanLex a collecté principalement
des lexèmes, des formes lexicales,

au cours de son histoire.

Je veux dire par là

les mots que vous trouvez
dans un dictionnaire.

Nous ne nous préoccupons pas
pour le moment

de recueillir des formes
de variantes grammaticales,

comme les données [inaudible], etc.

ou les formes conjuguées
du passé et du présent.

Mais nous y réfléchissons.

Autre chose qu'il est important
de se rappeler,

c'est que notre attention...

est portée sur les langues minoritaires
défavorisées et menacées,

nous visons la disponibilité

avant la perfection.

J'aime beaucoup le dicton :

« Le mieux est l'ennemi du bien »

c'est ce que nous comptons faire.

Mais l'idée de pouvoir manipuler
les formes grammaticales

et de pouvoir traduire
à travers les formes grammaticales,

nous intéresse beaucoup,

ce sont des choses
que nous avons étudiées

mais pas encore implémentées.

(intervenant·e 11) Donc sur ces 7 500 langues,

je suppose que vous utilisez
des dictionnaires conçus pour nous,

mais toutes ces langues ont-elles
des formes écrites standardisées ?

Comment faites-vous pour... ?

C'est une très bonne question.

Oui, beaucoup de ces langues,

vous le savez, n'ont pas de forme écrite.

Toutefois, toute langue pour laquelle
un dictionnaire a été conçu

possède une orthographe,

nous nous basons sur l'orthographe
conçue pour le dictionnaire.

Nous ajustons un peu l'orthographe parfois

dans la garantie
qu'il n'y ait pas de pertes.

Nous essayons d'éviter cela
autant que possible.

Nous ne nous mettons pas

à développer des orthographes
pour des langues,

parce qu'elles ne se sont pas
développées,

et même si elles ne sont pas
rendues publiques.

Par exemple,

pour les diverses langues parlées
en Nouvelle-Guinée,

il se peut qu'il n'y ait pas
d'orthographe commune,

mais certains linguistes les inventent

et c'est une bonne initiative.

Nous recueillons aussi
les formes phonétiques

si elles sont disponibles
dans les dictionnaires,

et c'est une autre façon de faire,

une représentation d'un mot selon l'API

si possible.

On pourrait utiliser ça aussi.

Mais on ne s'en sert pas comme pivot

parce que ça instaure des ambiguïtés.

(intervenant·e 12) Merci,
c'est peut-être une question bête

mais est-ce les seules langues
intermédiaires que vous utilisez ?

Non, non.

(intervenant·e 12) D'accord, merci.

Merci d'avoir posé la question.

Ceci est une capture d'écran
de « translate.panlex.org ».

Si vous effectuez une traduction,

vous aurez une liste
de traductions à droite.

Vous cliquez sur le bouton « ... »,
vous obtenez cette figure.

Cela montre les langues intermédiaires,

les 20 premières selon le score,

je pourrais vous en dire plus

mais ce n'est pas très important,

donc les langues utilisées selon le score.

Mais pour effectuer la traduction,
nous en utilisons plus que 20.

Je me limite à 20
parce que s'il y en a plus...

en fait, c'est une sorte
de simulation physique,

vous pouvez la faire bouger et elle remue.

S'il y a plus de 20 langues,
votre ordinateur en devient fou.

C'est plus une démonstration
qu'autre chose.

(femme 5) Je suis Leila,
de la fondation Wikimedia.

Une remarque à propos de...

Vous avez mentionné
la fondation Wikimedia

quelques fois dans votre présentation,

si vous voulez faire
de l'ingestion de données

ou que vous voulez collaborer
avec Wikidata,

peut-être que Wikimedia Deutschland
serait l'endroit plus approprié

pour ce genre d'échange ?

Wikidata fait partie
de Wikimedia Deutschland,

leurs équipes sont en Allemagne,

et la communauté de bénévoles de Wikidata

serait l'endroit idéal pour aborder

tout ce qui a trait aux ingestions

ou au rapprochement de PanLex à Wikidata.

Très bien, merci beaucoup,

Honnêtement, je ne connais pas bien

les subtilités de l'architecture
des projets

et la manière dont ils se relient.

D'après vos rires, c'est compliqué.

En fait, nous aimerions discuter

avec les responsables de Wikidata.

En gros, tous ceux qui sont responsables

de Wikidata nous intéressent,

c'est-à-dire vous tous bénévoles.

D'autres questions ?

Bon, si vous avez d'autres questions
sur ce que j'ai dit, sur autre chose,

ou sur les détails et les spécificités
de certaines choses,

venez m'en dire deux mots,
je suis à l'écoute.

Surtout si vous travaillez
avec les lexiques,

ou quoi que ce soit impliquant
des langues minoritaires menacées

ou défavorisées,

ou l'Unicode,
je travaille dessus également.

Merci beaucoup

et merci de m'avoir invité
à prendre la parole,

j'espère que vous avez apprécié
cette présentation.

(applaudissements)