EPIC-EuroParl-UdS: Information-Theoretic Perspectives on Translation and Interpreting

Ce papier présente une version mise à jour et combinée des corpus EPIC-UdS et EuroParl-UdS, enrichie de nouvelles annotations et d'indices de surpris, conçue pour soutenir la recherche sur les perspectives informationnelles de la traduction et de l'interprétation, notamment par le biais d'une étude validant l'intégrité des données orales et évaluant des modèles de langage pour la prédiction de particules de remplissage.

L'essentiel

🌍 Le Grand Livre des Mots : EPIC-EuroParl-UdS

Imaginez que vous avez deux bibliothèques géantes. L'une contient les discours officiels écrits des députés européens (le EuroParl), et l'autre contient les enregistrements de ce qu'ils disent réellement à la télé, avec leurs hésitations, leurs "euh" et leurs "hum" (le EPIC).

Jusqu'à présent, ces deux bibliothèques étaient un peu en désordre : les étiquettes étaient fausses, les livres étaient mal rangés, et il manquait des pages. De plus, si vous vouliez étudier comment les traducteurs travaillent, vous deviez tout faire vous-même, ce qui prenait des années.

Ce papier présente une nouvelle version rénovée de ces bibliothèques, appelée EPIC-EuroParl-UdS. C'est comme si on avait pris ces deux collections, on les a nettoyées, on a ajouté des étiquettes intelligentes et on les a reliées ensemble pour créer un seul super-outil.

🔍 La "Lunette Magique" : La Théorie de l'Information

Pourquoi est-ce si spécial ? Parce que les chercheurs ont ajouté une lunette magique à chaque mot.

Imaginez que vous lisez une phrase. Votre cerveau prédit le mot suivant.

• Si je dis : "Le chat est sur le...", votre cerveau pense immédiatement à "tapis" ou "canapé". C'est facile, le mot est prévisible.
• Si je dis : "Le chat est sur le...", et que le mot suivant est "pamplemousse", votre cerveau s'arrête. C'est une surprise ! Le mot est surprenant.

Dans ce papier, les chercheurs utilisent des Intelligences Artificielles (comme GPT-2) pour calculer ce niveau de "surprise" pour chaque mot du corpus. Ils appellent cela l'"étonnement" (surprisal).

• Faible étonnement = Le mot était facile à deviner.
• Fort étonnement = Le mot était difficile, inattendu, ou a demandé un gros effort de réflexion.

🛠️ Ce que les chercheurs ont fait (Le "Fait Maison")

1. Le Grand Nettoyage : Ils ont corrigé les erreurs de métadonnées (qui a parlé, quand, dans quelle langue). Ils ont supprimé les doublons (un discours qui existait à la fois à l'écrit et à l'oral) pour ne pas fausser les résultats.
2. L'Alignement Parfait : Ils ont fait correspondre mot à mot le discours original (en allemand ou anglais) avec sa traduction ou son interprétation. C'est comme si on avait mis des petits points rouges sous chaque mot pour montrer exactement où il va dans l'autre langue.
3. La "Lunette" sur les Hésitations : Dans l'oral, les gens disent souvent "euh", "hum", "euh". Les chercheurs ont gardé ces petits mots. Pourquoi ? Parce que souvent, un "euh" apparaît juste avant un mot difficile à trouver. C'est comme un frein de voiture avant un virage serré.

🧪 L'Expérience : Pourquoi les interprètes disent-ils "Euh" ?

Pour montrer à quoi sert ce nouvel outil, les chercheurs ont fait une petite expérience (une "illustration") : Peut-on prédire quand un interprète va dire "euh" ?

Ils ont regardé les données et ont découvert quelque chose de fascinant :

• Quand un interprète doit traduire un mot très difficile à trouver (un mot très "surprenant" pour lui), il a tendance à dire "euh" juste avant.
• C'est comme si son cerveau disait : "Attends, je dois chercher ce mot, je vais faire une pause pour ne pas bégayer."

Ce qui est intéressant, c'est que ce n'est pas seulement la difficulté de la phrase originale qui compte, mais aussi la difficulté de trouver le mot équivalent dans la langue cible.

🎯 Pourquoi est-ce utile pour tout le monde ?

Ce n'est pas juste pour les linguistes qui aiment les chiffres. C'est utile pour :

• Les développeurs d'IA : Pour entraîner des traducteurs automatiques (comme Google Translate) à mieux comprendre les nuances de l'oral et de l'écrit.
• Les interprètes : Pour mieux comprendre où se situent leurs difficultés et s'entraîner sur des cas complexes.
• Les psychologues : Pour comprendre comment notre cerveau gère le stress quand on parle ou qu'on traduit sous pression.

En résumé

Les auteurs ont pris un vieux trésor de données (les discours du Parlement européen), ils l'ont nettoyé, ils y ont ajouté une couche de "surprise" calculée par des IA, et ils ont montré comment cela permet de comprendre les moments où notre cerveau "s'arrête" pour réfléchir.

C'est comme passer d'une simple carte routière à un GPS intelligent qui vous dit non seulement où aller, mais aussi où vous allez avoir du mal à conduire et pourquoi.

Résumé technique

Voici un résumé technique détaillé de l'article EPIC-EuroParl-UdS : Perspectives informationnelles sur la traduction et l'interprétation, rédigé en français.

1. Problématique et Contexte

Les approches informationnelles (notamment l'utilisation de l'information théorique et de la "surprise" ou surprisal) gagnent en popularité dans les études de traduction et d'interprétation pour évaluer l'effort cognitif, la difficulté de traitement et les variations linguistiques. Cependant, les chercheurs font face à un manque de ressources prêtes à l'emploi contenant des indices informationnels annotés au niveau du mot.
Actuellement, les chercheurs doivent soit se fier à des fréquences de corpus (probabilités unigrammes ignorant le contexte), soit générer eux-mêmes ces données, un processus long et coûteux en ressources. De plus, il existe une nécessité de comparer les modes écrit et oral (interprétation) dans des corpus parallèles de haute qualité, avec des annotations cohérentes et des alignements précis.

2. Méthodologie et Construction du Corpus

Les auteurs ont créé EPIC-EuroParl-UdS, une version mise à jour et combinée des corpus précédents EPIC-UdS (oral/interprétation) et EuroParl-UdS (écrit/traduction), couvrant les paires de langues anglais-allemand (DE↔EN).

Principales étapes de construction :

• Nettoyage et Harmonisation : Correction des erreurs de métadonnées et de texte, ajout de la ponctuation manquante dans les données orales, et uniformisation des formats de fichiers entre les sous-corpus écrits et oraux.
• Filtrage et Équilibrage :
  • Exclusion des données espagnoles pour se concentrer sur le bilinguisme anglais-allemand.
  • Suppression des documents chevauchants entre les versions écrites et orales pour éviter les biais dans les comparaisons inter-modales.
  • Rééquilibrage des directions de traduction (DE-EN et EN-DE) pour éliminer les biais statistiques.
• Alignement : Utilisation d'outils spécifiques (LF Aligner avec glossaires IATE pour l'écrit, réalignement manuel et automatique pour l'oral) pour obtenir des alignements document, phrase et mot.
• Prétraitement : Standardisation des textes (suppression des caractères non imprimables, gestion des mots composés) et traitement spécifique des disfluences orales (conservation des particules de remplissage ou Filler Particles - FPs, suppression des autres disfluences pour l'annotation).

Annotation et Modélisation :

• Annotateurs Linguistiques : Utilisation de Stanza pour l'analyse morphosyntaxique (tokenisation, POS, lemmatisation, dépendances) selon les normes Universal Dependencies (UD).
• Indices de Surprise (Surprisal) : Calcul de la surprise au niveau du mot ($S(w) = -\log_2 P(w|contexte)$) à l'aide de modèles de langage (LLM) et de modèles de traduction automatique (MT) :
  • Modèles GPT-2 (monolingues, anglais et allemand) : versions de base (base) et fine-tuned (adaptées sur le corpus écrit).
  • Modèles MT (OPUS-MT) : versions de base et fine-tuned spécifiques à la direction de traduction.
• Alignement de Mots : Utilisation du modèle BERT multilingue pour calculer les similarités de sous-mots et générer des alignements bidirectionnels (score de softmax).
• Formats de Données : Le corpus est disponible en trois formats (Vertical pour le niveau mot, Long pour le niveau segment, Wide pour les paires de segments parallèles) avec des métadonnées riches (ID des locuteurs, interprètes, etc.).

3. Contributions Clés

1. Ressource Unifiée et Améliorée : Un corpus combiné écrit/oral, bidirectionnel (EN-DE/DE-EN), avec des métadonnées corrigées et des alignements de haute qualité.
2. Annotations Informationnelles Riches : Ajout de couches d'annotation inédites incluant la surprise au niveau du mot issue de modèles de langage et de traduction, ainsi que des alignements mots-à-mots.
3. Gestion des Disfluences : Une approche rigoureuse pour traiter les particules de remplissage (euh, hum, hm) dans les données orales, permettant leur étude tout en préservant l'intégrité des calculs de surprise (en les marquant comme N/A).
4. Analyse des Modèles : Une évaluation comparative des performances des modèles de base versus fine-tuned sur des données hors domaine (OOD), notamment pour l'interprétation.

4. Résultats et Études de Cas

L'article présente une étude illustrative visant à prédire l'apparition de particules de remplissage (FPs) dans l'interprétation simultanée en utilisant des régressions logistiques à effets mixtes.

• Prédiction des FPs :
  • Les modèles utilisant les valeurs de surprise de base (base models) surpassent les modèles fine-tuned pour cette tâche (AIC plus bas, meilleurs scores C).
  • Facteurs déterminants : La difficulté de formulation (surprise de la langue cible) et la difficulté de transfert (surprise du modèle MT) sont les prédicteurs les plus forts de l'apparition de FPs.
  • Résultat contre-intuitif : Une surprise globale plus faible dans le segment cible est associée à une probabilité plus élevée de FPs, suggérant que les interprètes utilisent des FPs pour gérer la charge cognitive globale, même si le mot suivant est prévisible.
  • Difficulté de compréhension : La surprise de la source (compréhension) a un effet négatif immédiat mais un effet positif global, indiquant que les difficultés de compréhension s'accumulent sur le segment plutôt que d'affecter le mot immédiat.
• Relation Précision-Fluidité : L'étude révèle une relation non linéaire entre la surprise du modèle MT (fidélité à la source) et celle du modèle GPT-2 (fluidité cible). Contrairement à l'hypothèse d'une corrélation négative simple, cette relation s'effondre au-delà d'un certain seuil de difficulté de transfert, suggérant des limites inhérentes au processus de production.
• Performance des Modèles : Le fine-tuning réduit la surprise moyenne pour les modèles GPT-2 mais l'augmente pour les modèles MT, malgré une amélioration des scores BLEU pseudo. Cela indique que les modèles MT fine-tuned deviennent plus sensibles aux spécificités du domaine, rendant les traductions moins "attendues" par le modèle de base.

5. Signification et Impact

• Avancement de la Recherche : Ce corpus permet de passer de l'analyse basée sur les fréquences à des modèles informationnels robustes, où le corpus analysé sert de données de test (hold-out) et non de source d'estimation des probabilités.
• Compréhension Cognitive : Il fournit des preuves empiriques sur la manière dont les interprètes gèrent la charge cognitive, en distinguant les difficultés de compréhension, de formulation et de transfert.
• Accessibilité : Le corpus est ouvert, documenté et directement utilisable dans des environnements d'analyse comme R, facilitant les études contrastives et sur les "traductionismes" (translationese).
• Fondation pour l'IA : Il offre une base solide pour tester les limites des LLMs et des modèles de traduction automatique dans des scénarios de production réelle (oral, temps réel) et pour explorer les compromis entre fidélité et fluidité.

En résumé, EPIC-EuroParl-UdS est une ressource majeure qui comble le fossé entre la linguistique de corpus, l'information théorique et les sciences cognitives appliquées à la traduction et à l'interprétation.