Des enregistrements aux corpus : transcription et extraction de données d’interprétation en milieu médical
Notice bibliographique
Résumé
Dans le domaine de l’interprétation de dialogue (ID), l’utilisation et l’utilité des corpus sont autant de sujets controversés. D’une part, la recherche est de plus en plus orientée vers l’étude de l’interaction authentique, ce qui entraîne une augmentation des données enregistrées et transcrites pouvant être explorées comme corpus ; de l’autre, l’intérêt de l’ID envers l’« interaction » plutôt que le « texte » diminue l’attrait des méthodes traditionnelles de la linguistique de corpus pour l’étude des données d’interprétation. Dans cet article, nous présenterons une collection de données d’ID assez importante (corpus AIM), que nous cherchons à outiller. Nous avons jusqu’à présent testé les logicielsEXMARaLDAetELANsur un sous-ensemble de 65 rencontres, dont la transcription est alignée avec l’audio, et nous avons entamé deux pistes de recherche que nous allons illustrer : (a) l’exploration d’éléments lexicaux potentiellement intéressants pour l’analyse des structures de l’interaction ; (b) l’extraction de segments alignés à l’audio que l’on puisse entre autres utiliser dans des activités d’enseignement et d’apprentissage. Nous souhaitons montrer ainsi tant l’utilisation que l’utilité d’un corpus d’ID en milieu médical.
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 | 0,011 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,006 |
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 ».