Constraining constructions with WordNet: pros and cons for the semantic annotation of fillers in the Italian Constructicon

Cet article examine les avantages et les inconvénients de l'utilisation de la classification sémantique basée sur WordNet pour l'annotation sémantique des éléments de remplissage dans le Constructicon italien, en détaillant comment le projet exploite les thèmes de l'Open Multilingual WordNet pour représenter les caractéristiques et les contraintes des constructions.

L'essentiel

🏗️ Le Projet : Construire une "Carte des Routes" de la Langue Italienne

Imaginez que la langue italienne n'est pas juste une liste de mots, mais un immense réseau de routes. En grammaire, on appelle ces routes des constructions. Ce ne sont pas seulement des mots isolés, mais des "formules" toutes faites qui ont un sens précis.

Par exemple, en italien, on dit « fare paura » (littéralement "faire peur"). Ce n'est pas juste "faire" + "peur". C'est une formule magique qui signifie "effrayer quelqu'un". Le projet Italian Constructicon (ItCon) a pour but de dessiner une carte complète de toutes ces routes pour l'italien.

Mais il y a un problème : comment s'assurer que les voitures (les mots) qui entrent sur cette route sont les bonnes ?

🚦 Le Problème : Les Faux Positifs

Imaginons que vous construisez un péage pour la route « faire + [quelque chose] ».
Si vous ne mettez qu'un panneau « Voiture autorisée », vous allez laisser passer n'importe quoi :

• ✅ Fare paura (faire peur) → C'est bon !
• ✅ Fare schifo (faire dégoût) → C'est bon !
• ❌ Fare demagogia (faire de la démagogie) → Ce n'est pas la même route !
• ❌ Fare cassa (faire du profit) → Ce n'est pas la même route !

Sans filtre, votre carte est pleine d'erreurs. Il faut dire au système : « Seules les voitures qui transportent un sentiment psychologique sont autorisées ici ».

🧠 La Solution : Utiliser WordNet comme un Dictionnaire des "Idées"

C'est là que l'article propose une astuce brillante. Au lieu d'écrire des règles compliquées pour chaque mot, les auteurs utilisent WordNet.

L'analogie du Dictionnaire des Catégories :
Imaginez WordNet comme un immense arborescence de boîtes de rangement.

• Il y a une boîte « Sentiments ».
• Il y a une boîte « Outils ».
• Il y a une boîte « Actions ».

Dans WordNet, le mot paura (peur) est rangé dans la boîte « Sentiments ». Le mot demagogia est dans la boîte « Communication ».

Les auteurs disent : « Pour la route fare N, nous allons mettre un filtre automatique qui ne laisse passer que les voitures venant de la boîte « Sentiments ». »

C'est comme si vous demandiez à un robot : « Cherche tous les mots qui sont cousins de "peur" dans la famille des sentiments, et bloque les autres ».

✅ Les Avantages (Les "Pour")

1. Une Langue Universelle : WordNet est utilisé dans le monde entier (anglais, italien, etc.). C'est comme utiliser le système métrique pour mesurer les routes. Cela permet de relier la carte italienne à d'autres cartes (française, espagnole) sans avoir à tout réinventer.
2. La Flexibilité : Si vous voulez être très précis, vous pouvez dire "seulement les sentiments forts". Si vous voulez être large, vous pouvez dire "n'importe quel sentiment". C'est comme changer le zoom d'une carte Google Maps.
3. L'Efficacité : L'article montre que cette méthode fonctionne bien. Elle réussit à bloquer 90 % des erreurs (comme fare demagogia) tout en laissant passer les bons exemples.

⚠️ Les Limites (Les "Contre")

Cependant, ce système n'est pas parfait, comme tout outil :

1. La Boîte est parfois vide : WordNet est génial, mais il n'a pas de boîte pour tous les mots. Si un mot italien très spécifique n'est pas dans la boîte, le robot ne saura pas quoi en faire et le bloquera par erreur.
2. Les Relations Complexes : Parfois, le sens ne vient pas d'un seul mot, mais de la relation entre deux mots.
   • Exemple : « Vivre une vie » (verbe + nom). Le mot "vivre" et le mot "vie" sont liés.
   • Le problème : WordNet est très fort pour dire "A est un type de B", mais il est parfois timide pour dire "A et B sont liés par une relation spéciale". Si la relation n'est pas écrite dans le dictionnaire, le système ne comprend pas que c'est une construction valide.

🚀 Conclusion : Un Outil Prometteur en Construction

En résumé, les auteurs disent : « Nous sommes en train de construire la carte des routes de l'italien. Pour éviter les embouteillages et les erreurs, nous utilisons le système de classement de WordNet comme des panneaux de signalisation intelligents. »

Ce n'est pas encore fini (le projet est "dans ses couches"), mais c'est une excellente idée. Cela permet de rendre la grammaire italienne plus claire, plus précise, et surtout, de la connecter avec le reste du monde numérique.

En une phrase : C'est comme donner à un ordinateur un dictionnaire de "familles de mots" pour qu'il apprenne à distinguer les vraies expressions idiomatiques des simples combinaisons de mots qui ne veulent rien dire ensemble.

Résumé technique

1. Problématique

Le projet Constructicon Italien (ItCon) vise à créer un inventaire structuré et collaboratif des constructions linguistiques en italien, s'inscrivant dans le cadre de la Grammaire de Construction (CxG). Un défi majeur rencontré par les auteurs est la contrainte sémantique des slots ouverts (les éléments variables) au sein des constructions semi-spécifiées.

Bien que le format d'annotation formel (CoNLL-C) permette de restreindre la recherche de constructions basées sur des critères syntaxiques (catégorie grammaticale, nombre, dépendances), ces critères sont insuffisants pour éliminer les faux positifs. Par exemple, la construction légère fare N (faire N) peut générer des résultats syntaxiquement corrects mais sémantiquement incorrects (ex: fare demagogia vs fare paura). Il est donc nécessaire d'intégrer une couche sémantique pour filtrer les occurrences et garantir que les mots remplissant les slots respectent les contraintes sémantiques de la construction (ex: un nom exprimant un sentiment psychologique).

2. Méthodologie

Les auteurs proposent une approche opérationnelle intégrant les données de WordNet pour annoter les caractéristiques sémantiques des slots dans le format CoNLL-C.

• Utilisation d'Open Multilingual WordNet (OMW) : Au lieu de développer une classification sémantique ad hoc, l'équipe utilise les topics (fichiers de lexicographe) d'OMW, qui correspondent aux nœuds supérieurs de la hiérarchie des synonymes (synsets) de WordNet. Ces topics servent de classes sémantiques (ex: noun.feeling, verb.motion).
• Format CoNLL-C : Le format d'annotation des constructions est étendu avec un champ spécifique SEM.FEATS (caractéristiques sémantiques). Ce champ permet de spécifier la classe sémantique attendue pour un token (ex: OntoClass=feeling).
• Intégration avec les Treebanks UD : L'objectif est de mapper les constructions d'ItCon sur des corpus annotés en Universal Dependencies (UD). Les auteurs ont évalué la couverture de cette approche en croisant les lemmes des treebanks italiens avec les synsets d'Italian MultiWordNet.
• Gestion des relations inter-slot : Pour les constructions où la contrainte ne repose pas sur un seul slot mais sur la relation sémantique entre plusieurs slots (ex: oxymores, constructions à objet cognat), les auteurs explorent l'utilisation du champ IDENTITY de CoNLL-C couplé aux relations sémantiques de WordNet (antonymie, similarité).

3. Contributions Clés

• Cadre théorique et opérationnel pour ItCon : L'article établit les bases de l'annotation sémantique dans le premier Constructicon italien, en définissant comment contraindre la puissance générative des constructions via des classes sémantiques.
• Interopérabilité : En adoptant les topics OMW, le projet assure l'interopérabilité croisée des ressources (Constructicons, FrameNet, corpus étiquetés en sens) et facilite le lien avec d'autres bases de données lexicales.
• Extension du format CoNLL-C : L'introduction du champ SEM.FEATS et la proposition d'utiliser le champ IDENTITY pour les relations sémantiques entre synsets constituent une innovation technique pour la formalisation des constructions.
• Évaluation de la couverture : Une analyse quantitative a été menée pour vérifier la viabilité de l'approche sur les treebanks italiens existants.

4. Résultats

• Réduction des faux positifs : L'application des tags sémantiques (ex: restreindre le slot de fare N aux noms de la classe noun.feeling) permet d'éliminer efficacement les occurrences syntaxiquement valides mais sémantiquement inappropriées (comme fare demagogia qui appartient à noun.communication).
• Couverture des Treebanks : L'évaluation de la couverture d'Italian MultiWordNet sur les treebanks UD italiens (lemmes de fréquence > 5) montre des résultats encourageants :
  • Seulement 10 % des lemmes nominaux et 12,7 % des lemmes verbaux ne possèdent aucun tag sémantique.
  • Si l'on considère la fréquence des formes (et non des lemmes), le taux de non-étiquetage chute à 3,5 %.
• Limites identifiées :
  • La classification préexistante d'OMW ne couvre pas tous les besoins sémantiques spécifiques (approche descendante vs ascendante).
  • L'absence de nœuds supérieurs pour les adverbes et la couverture limitée pour les adjectifs.
  • Les relations sémantiques entre slots de catégories différentes (ex: verbe et objet cognat) sont partiellement absentes dans la version OMW d'Italian MultiWordNet, ce qui risque de filtrer à tort certaines constructions valides (ex: dormire un sonno).

5. Signification et Perspectives

Cette étude démontre que l'utilisation de WordNet pour annoter les contraintes sémantiques dans un Constructicon est une méthode fructueuse et nécessaire pour passer d'une description syntaxique à une description sémantique précise des constructions.

• Interopérabilité : Elle permet de lier les ressources lexicales italiennes (Treebanks, WordNet) de manière cohérente et potentiellement multilingue.
• Futur du projet : Bien que le projet soit encore à ses débuts, cette approche offre une base solide pour le développement futur. Les auteurs soulignent la nécessité d'une couverture plus large des relations sémantiques (notamment inter-catégorielles) dans WordNet pour éviter de perdre des instances de constructions complexes.
• Impact : Ce travail positionne l'ItCon comme une ressource clé pour la lexicographie pratique et la linguistique de corpus en italien, comblant un vide dans l'écosystème des ressources linguistiques italiennes (absence de FrameNet publié et de Constructicon auparavant).

En résumé, l'article propose une solution technique robuste pour enrichir la description des constructions grammaticales, en utilisant des ontologies sémantiques partagées pour améliorer la précision de l'extraction et de l'annotation des données linguistiques.