Abstract of our paper at the “13. Studientag der Gallia Pontifica”
Est-il possible de traduire des regestes automatiquement ?
Tamás Kovacs, Daniel Luger, Franziska Decker, Georg Vogeler
Le but d’un regeste est de reproduire le dispositif d’un acte juridique, en général de chartes. Il livre à l’historien des informations importantes telles que toutes les entités (personnes, lieux) ainsi que les principaux faits juridiques contenus dans l’acte. Dans le cadre de recherches plurilingues basées sur des analyses d’actes, il serait d’une grande valeur de disposer de ces informations en différentes langues. Ceci est d’autant plus important pour un portail international tel que Monasterium.net avec ses regestes rédigés notamment en allemand, hongrois, italien et latin, portail qui se veut justement faciliter les recherches au-delà des frontières (linguistiques). La présence de traductions permettrait de faire apparaître des concordances thématiques exprimées dans les regestes initialement rédigés en langues différentes.
Nous voulons pour cette raison aborder dans le cadre de notre présentation les difficultés et les enjeux fondamentaux de la traduction automatique de regestes et proposer des solutions adéquates.
Les exigences liées au contenu des analyses d’actes semblent à première vue en faire des textes particulièrement propices à la traduction automatique : ainsi, la reconnaissance d’entités nommées est un ancien champ de recherche de la linguistique informatique et fournit entretemps de très bons résultats.[1] Aussi bien les rédacteurs que les lecteurs de regestes ne s’intéressent pas à la forme linguistique, mais aux informations véhiculées par la langue. C’est exactement ce que cherchent à faire les méthodes modernes de traduction automatique : elles situent les mots et les phrases de la langue d’origine dans un espace sémantique, puis essayent de trouver une correspondance dans l’espace sémantique de la langue cible pour former à partir de cela des phrases grammaticalement justes. Nous entendons ici par « espace sémantique » l’espace mathématique multidimensionnel formé en utilisant tous les mots du corpus (la précision du résultat augmentant avec sa taille) et leur position dans les phrases du corpus comme dimensions. Cet espace sémantique veut donc créer une représentation mathématique du corpus. Ces méthodes[2] ont fourni de très bons résultats ces dernières années, disponibles pour tous avec l’application DeepL[3] par exemple. En raison de ces avantages apparents, nous avons traduit dans le cadre du projet ERC DiDip[4] des regestes issus du corpus de Monasterium.net à l’aide d’outils de traduction automatique disponibles publiquement et avons fait contrôler les traductions par des experts.
Il s’avère que l’une des difficultés majeures de la traduction automatique de regestes est la diversité linguistique du jeu de données. La présence de plusieurs langues, y compris de dialectes régionaux et d’expressions archaïques, induit non seulement une connaissance approfondie de ces langues, mais aussi une bonne compréhension du contexte historique et culturel unique dans lequel elles sont situées. Ceci s’avère être particulièrement vrai quant à des langues telles que le moyen-haut-allemand ou le nouveau-haut-allemand, très différentes de leurs formes modernes. Le fait que les analyses d’actes soient parsemées de texte latin présente une difficulté supplémentaire. Le latin en tant que « lingua franca » du Moyen-Âge est une langue couramment utilisée dans les documents juridiques et ecclésiastiques de l’époque, il est donc omniprésent. La traduction de ces extraits nécessite donc également une connaissance approfondie du latin médiéval, de son vocabulaire et de sa grammaire.
Face à cette complexité, la solution la plus probable consiste à allier expertise spécifique, modélisation linguistique avancée et collaboration. Il est donc nécessaire de disposer d’une équipe d’historiens, de linguistes et de paléographes experts dans les langues et le contexte historique des chartes, afin de garantir des traductions et interprétations précises. Cette équipe interdisciplinaire devra travailler en collaboration avec des linguistes informaticiens et des scientifiques des données afin de développer des modèles de traitement automatique de la langue naturelle adaptés (TALN, ou NLP (natural language processing)), entrainés sur des textes historiques et les caractéristiques linguistiques du jeu de données.
Ces modèles NLP pourraient être basés sur des réseaux de neurones élaborés tels que le modèle Transformeur, ajusté à la traduction de textes historiques. Afin de répondre effectivement aux enjeux des expressions archaïques et de la diversité linguistique, ces modèles devraient contenir de nombreuses fonctionnalités et techniques poussées.
Telle serait la mise en place d’un glossaire semblable à celui utilisé par Google Traduction qui permettrait de garder les expressions historiques tout en traduisant le texte. Ce glossaire contiendrait une liste de termes, d’expressions idiomatiques et de mots archaïques sélectionnés dans la langue source ainsi que leurs traductions et des informations contextuelles en anglais. En tenant un registre de ces expressions, les modèles NLP seraient mieux équipés pour traiter ce vocabulaire unique et garantir des traductions précises, tout en préservant le caractère authentique des chartes.
La prochaine étape se concentrerait sur la traduction même des textes traités. Afin de faciliter la traduction de nombreuses langues, un modèle de traduction multilingue devrait être développé, utilisant des techniques d’apprentissage par transfert pour tirer parti des traits linguistiques communs aux différentes langues du corpus. Ce modèle serait capable de gérer les différentes combinaisons de langues et de dialectes ainsi que les expressions archaïques et les variétés régionales.
Finalement, une dernière étape de post-traitement devrait être introduite pour peaufiner les traductions. Cette étape ferait intervenir des algorithmes linguistiques poussés tels qu’une analyse des dépendances et la reconnaissance d’entités nommées afin d’assurer que la traduction soit en accord avec la syntaxe appropriée et rende précisément le contexte historique. Des experts de ces langues respectives ainsi que du contexte historique pourraient ensuite contrôler les traductions, procéder aux réajustements nécessaires et livrer une évaluation de haute qualité qui permettrait d’améliorer encore plus les modèles NLP.
Pour résumer, les modèles NLP rassembleraient pour la traduction de chartes médiévales des réseaux de neurones élaborés, un glossaire et un processus de traduction en plusieurs étapes pour tenir compte des nuances linguistiques et contextuelles des chartes. Cette approche permettrait la traduction automatique de grandes parties du jeu de données tout en respectant la précision des textes originaux. L’authenticité historique de ces précieuses ressources serait ainsi préservée.
Dans le cadre de notre contribution, nous informerons des risques liés à une confiance aveugle envers les traductions ainsi que des difficultés en vue du processus général liées aux caractéristiques spécifiques des analyses d’actes. Nous voulons ainsi partager notre jugement quant à l’intérêt d’utiliser à l’avenir des traductions automatiques de regestes en vue de recherches multilingues de chartes sur un portail tel que Monasterium.net.
[1] Erdmann, A., Wrisley, D. J., Brown, C., Cohen-Bodénès, S., Elsner, M., Feng, Y., … & de Marneffe, M. C. (2019). Practical, efficient, and customizable active learning for named entity recognition in the digital humanities. Association for Computational Linguistics.
[2] Voir p. e. Shi, C., Liu, S., Ren, S., Feng, S., Li, M., Zhou, M., … & Wang, H. (2016, August). Knowledge-based semantic embedding for machine translation. In Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 2245-2254).
[3] https://deepl.com.
[4] https://didip.eu.
OpenEdition suggests that you cite this post as follows:
dluger (June 21, 2023). Abstract of our paper at the “13. Studientag der Gallia Pontifica” DiDip. Retrieved September 15, 2024 from https://didip.hypotheses.org/2134
