Résumé technique : CAIT – Une boîte à outils d'analyse syntaxique pour les interactions enfant–adulte

Énoncé du problème

Le corpus CHILDES est une ressource primordiale pour la recherche sur l'acquisition du langage, mais les outils computationnels permettant d'analyser sa structure syntaxique restent limités. La parole de l'enfant (CS) et la parole dirigée vers l'enfant (CDS) diffèrent considérablement du langage écrit standard, se caractérisant par des constructions non canoniques, des disfluences, des auto-corrections, des énoncés fragmentaires et une forte répétition lexicale. Les analyseurs de dépendances existants, entraînés principalement sur des textes écrits destinés aux adultes (par exemple, journaux, livres), peinent à gérer ces idiosyncrasies spécifiques au domaine. Par conséquent, les chercheurs s'appuient souvent sur une inspection manuelle ou sur des analyseurs à usage général (comme Stanza ou SpaCy) qui produisent des annotations peu fiables nécessitant une correction postérieure coûteuse. Bien que des efforts antérieurs aient tenté d'appliquer les Dépendances Universelles (UD) à CHILDES, les jeux de données précédents manquaient de cohérence totale avec les directives UD v2, d'une validation indépendante, ou souffraient de bruit dans l'annotation.

Méthodologie

Les auteurs exploitent le nouveau corpus UD-English-CHILDES (Yang et al., 2025), le premier corpus UD v2 officiellement validé pour les interactions enfant–adulte en anglais. Cette ressource consolide les efforts d'annotation précédents, appliquant environ 8 000 corrections pour assurer la conformité avec les directives UD actuelles. Le jeu de données comprend environ 48 000 phrases corrigées manuellement (« or ») et 1 million de phrases annotées automatiquement (« argent »).

L'étude comprend les étapes méthodologiques suivantes :

1. Entraînement et évaluation de l'analyseur : Les auteurs ont entraîné et évalué plusieurs analyseurs de dépendances de pointe (Stanza, SuPar, DiaParser, Machamp) sur les données UD-English-CHILDES. Ils ont exploré diverses architectures (BiLSTM, basées sur Transformer) et représentations d'entrée (embeddings statiques, embeddings contextualisés issus de RoBERTa).
2. Stratégies d'augmentation des données : Les expériences ont inclus l'entraînement sur les données « or » uniquement, le fine-tuning sur les données « or » après un pré-entraînement sur les données « argent », et l'augmentation des ensembles d'entraînement « or » avec les données « argent ».
3. Développement de l'outil : Sur la base du performant, les auteurs ont développé CAIT (Child–Adult InTeractions Toolkit), une suite open-source comprenant :
   • Un analyseur de dépendances spécifique au domaine (basé sur SuPar avec RoBERTa-large).
   • Un étiqueteur de parties du discours (POS) dédié (basé sur Stanza), palliant la limitation de SuPar qui ne prédit pas les étiquettes POS.
   • Un étiqueteur d'énoncés au niveau de la construction qui utilise les annotations de l'analyseur pour catégoriser les énoncés en types de constructions (par exemple, formulaires, fragments, questions, impératifs, structures sujet-prédicat).
4. Analyse comparative : La boîte à outils a été mise en comparaison avec des analyseurs anglais prêts à l'emploi (modèle combiné Stanza, spaCy) et soumise à une analyse détaillée des erreurs pour identifier les biais systématiques et les incohérences d'annotation.
5. Étude de cas : L'étiqueteur de constructions a été appliqué pour suivre la distribution des constructions syntaxiques au fil du développement dans le corpus MPI-EVA-Manchester, en comparant la parole de l'enfant (CS) et la parole dirigée vers l'enfant (CDS).

Contributions clés

1. Boîte à outils CAIT : La publication d'une boîte à outils open-source d'analyse syntaxique spécifiquement adaptée aux interactions enfant–adulte, dotée d'un analyseur de dépendances de pointe, d'un étiqueteur POS et d'un étiqueteur de constructions.
2. Gains de performance : Démonstration que l'entraînement dans le domaine surpasse nettement les analyseurs à usage général. Le meilleur modèle (SuPar avec RoBERTa-large, fine-tuné sur des données « or ») a obtenu un score d'attachement étiqueté (LAS) de 92,51 et un score d'attachement non étiqueté (UAS) de 94,91 sur l'ensemble de test, dépassant largement la ligne de base Stanza prête à l'emploi (LAS 85,19) et spaCy (LAS 61,45).
3. Analyse des erreurs et correction d'annotation : Une analyse approfondie révélant que les modèles spécifiques au domaine atténuent les erreurs systématiques trouvées dans les analyseurs généraux, en particulier concernant conj (énumérations plates), vocative (noms sans ponctuation), parataxis (ajouts lâches) et reparandum (fragments disfluents). Inversement, l'analyse a identifié des incohérences d'annotation dans les données de référence « or » (par exemple, l'étiquetage incorrect des pronoms possessifs comme det et des noms pré-modifiant comme nmod), que l'analyseur CAIT a correctement identifiées comme des écarts par rapport aux directives UD standard.
4. Utilité de l'étiqueteur de constructions : Le développement d'un étiqueteur de constructions atteignant une précision de 92,32 % sur un ensemble de test retenu, surpassant les étiqueteurs basés sur des règles n'utilisant que les étiquettes POS (85,74 %) et les classificateurs d'embeddings de phrases (70,17 %). Cela permet l'analyse automatisée des distributions de constructions dans la parole de l'enfant (CS) et la parole dirigée vers l'enfant (CDS), une tâche précédemment entravée par la fiabilité de l'analyse de la parole de l'enfant.

Résultats

• Précision de l'analyse : L'analyseur CAIT a constamment surpassé les lignes de base sur toutes les longueurs de phrases et tous les rôles de locuteur (CS vs CDS). L'écart de performance était le plus prononcé sur la parole de l'enfant, où l'analyseur CAIT a obtenu un LAS de 91,30 contre 83,33 pour la ligne de base Stanza prête à l'emploi.
• Réduction des erreurs : L'analyseur CAIT a considérablement réduit les taux d'erreur pour des étiquettes de dépendance spécifiques courantes dans l'interaction parlée, telles que parataxis (réduction du taux d'erreur d'environ 13 points de pourcentage) et reparandum.
• Analyse des constructions : L'étude de cas a reproduit les résultats antérieurs concernant la parole dirigée vers l'enfant (CDS) (fréquence décroissante des questions, fréquence croissante des énoncés SV(X)), tout en étendant l'analyse à la parole de l'enfant (CS). Les résultats indiquent que, bien que les impératifs soient fréquents dans la parole de l'enfant précoce, la proportion d'énoncés complexes et de questions augmente avec l'âge, signalant un changement dans le comportement communicatif.
• Limites : Les auteurs notent que la boîte à outils suppose une entrée pré-tokenisée et que les données de référence « or », bien qu'améliorées, contiennent encore des erreurs héritées des efforts d'annotation précédents. De plus, certaines distinctions (par exemple, des questions ne différant que par la prosodie) restent difficiles à résoudre à partir du seul texte.

Importance

L'article affirme que CAIT fournit une infrastructure critique pour la recherche reproductible à grande échelle sur l'acquisition du langage. En offrant un analyseur qui capture avec précision les modèles syntaxiques des registres informels et non canoniques, la boîte à outils permet :

• Modélisation computationnelle : Manipulation syntaxique stricte des données CHILDES pour tester des hypothèses d'acquisition dans des conditions d'entrée naturalistes.
• Études empiriques : Analyse syntaxique à grande échelle du développement du langage sans le coût prohibitif de l'annotation manuelle.
• Investigation structurelle : La capacité d'investiguer les propriétés structurelles (par exemple, longueur de dépendance, profondeur de l'arbre) à la lumière d'arguments de plausibilité cognitive.

Les auteurs positionnent CAIT non pas comme une solution finale, mais comme une étape fondamentale, notant que des travaux futurs pourraient étendre ces ressources de manière multilingue et les intégrer à d'autres couches d'annotation de constructions (par exemple, UCxn) pour éclairer davantage les modèles distributionnels à partir desquels émerge la compétence linguistique.