Building Search Engines for Algonquian languages 1
Notice bibliographique
Résumé
Resume L'elaboration de ressources linguistiques qui aident a la preservation des langues amerindiennes offrent bien des defis. Bien qu'on compile des dictionnaires, les locuteurs et locutrices sont souvent bien en peine de les utiliser. La standardisation recente de l'orthographe, la predominance de la langue orale et une grande variation dialectale font que trop souvent, les gens ne trouvent pas les mots qu'ils cherchent car ils les ecrivent de travers ou juste differemment. Nous montrons ici comment nous avons construit un moteur de recherche pour le dictionnaire cri de la Baie James sur le web (www.eastcree.org) qui permet les fautes d'orthographe ou les orthographes creatives, et comment nous l'avons ensuite incorpore dans un moteur plus complexe pour la recherche de verbes a partir de formes verbales flechies Nous montrons aussi comment nous avons adapte ces outils a une langue voisine, l'innu (ou le montagnais). Notre solution est de combiner deux approches computationnelles a la correction de l'orthographe (en mesurant la difference entre le mot entre et les mots du dictionnaire, et en appareillant la phonetique), et de les adapter aux langues algonquiennes a partir de connaissances linguistiques. Ce moteur pourrait servir de modele et etre adapte pour d' autres langues algonquiennes ou minoritaires.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».