Séminaire Quaresmi ce 15 octobre 2020 « The Markovian binary tree applied to demography and conservation biology »

Jeudi 15 octobre à 14h, Sophie Hautphenne, senior lecturer à la School of Mathematics and Statistics de l’université de Melbourne, nous fera l’honneur de nous présenter un exposé intitulé « The Markovian binary tree applied to demography and conservation biology », dont voici un résumé:

Markovian binary trees form a general and tractable class of continuous-time branching processes, which makes them well-suited for real-world applications. Thanks to their appealing probabilistic and computational features, these processes have proven to be an excellent modelling tool for applications in population biology. Typical performance measures of these models include the extinction probability of a population, the distribution of the population size at a given time, the total progeny size until extinction, and the asymptotic population composition. Besides giving an overview of the main performance measures and the techniques involved to compute them, we discuss recently developed statistical methods to estimate the model parameters, depending on the accuracy of the available data. We illustrate our results in human demography and in conservation biology.

La présentation aura lieu sur Teams et sera retransmise en direct à l’ICHEC, site Anjou, local E101 à 14h. Pour faciliter l’organisation, merci de vous inscrire auprès de Celine.Engelbeen@ichec.be.

Au plaisir de vous y voir nombreux !

Séminaire Quaresmi ce 27 février: « … a ses meules & a ses cateus » : Culture(s) du risque et pratiques de l’écrit à Tournai au début du 14e siècle.

Ce jeudi 27 février, Sébastien de Valeriola animera le séminaire Quaresmi avec un exposé intitulé « … a ses meules & a ses cateus » : Culture(s) du risque et pratiques de l’écrit à Tournai au début du 14e siècle.

Dans cet exposé, nous considérons les clauses de garantie qu’on trouve dans les reconnaissances de dette du 13e et du début du 14e siècles dans nos régions.
Partant de l’observation que celles-ci présentent une variabilité importante, nous présentons d’abord un point de vue global en examinant l’ensemble des chirographes de ce type rédigés à Douai, Ypres et Tournai durant la période d’intérêt. Nous nous intéressons ensuite à un sous-corpus particulier, celui des dettes tournaisiennes du début du 14e siècle. L’exceptionnel état de conservation de ces documents permet d’enquêter de manière plus approfondie sur la variabilité des clauses, et de mettre celle-ci en parallèle avec le processus de rédaction des actes passés devant les voirs-jurés. L’exposé fait la part belle aux méthodes utilisées pour enquêter, quantitatives et exploratoires dans leur majorité.

Séminaire ouvert à tous. La présentation aura lieu à l’ICHEC, site Anjou, local E105 à 14h00. Pour faciliter l’organisation, merci de vous inscrire auprès de  quaresmi@ichec.be.

Au plaisir de vous y voir nombreux.

EGC 2020 à l’ICHEC

Cette année, c’est la 20ème édition de la conférence EGC !  20 ans déjà : santé, jeunesse flamboyante et des projets plein la tête. La 20ème édition aura lieu à Bruxelles du 27 au 31 janvier 2020 sur le campus de l’ICHEC Brussels Management School et sera organisée par le laboratoire QUARESMI .

La conférence Extraction et Gestion des Connaissances (EGC) est un événement annuel réunissant des chercheurs et praticiens de disciplines relevant des sciences des données et des connaissances. Ces disciplines incluent notamment l’apprentissage automatique, l’ingénierie et la représentation de connaissances, le raisonnement sur des données et des connaissances, la fouille et l’analyse de données, les systèmes d’information, les bases de données, le web sémantique et les données ouvertes, etc.

Pour la 20édition de la conférence EGC, l’association EGC et le laboratoire Quaresmi ont décidé d’organiser une grande journée ouverte au public et aux professionnels. Cette journée sera une interface entre les scientifiques et le grand public. Plusieurs conférences plénières (keynotes) seront données sur le thème de l’intelligence artificielle. Le travail des scientifiques sera aussi visible lors des événements « minute of madness » et la remise des prix de l’association EGC pour les meilleurs travaux. Des démonstrations logicielles et des posters scientifiques seront visibles lors du buffet. Des stands d’entreprises seront présents sur le site, permettant des job dating dans les domaines de l’IA et des data sciences. La journée se terminera par une table ronde sur le thème « Promesses et risques : quel monde pour demain avec l’IA ? », animée par nos conférenciers invités (Jean-Gabriel Ganascia, Laurence Devillers) et le président du comité scientifique de la conférence, Antoine Cornuéjols.

Affiche journée publique

Toutes les informations sont disponibles sur le site de la conférence https://egc2020.sciencesconf.org/

Stay tuned, suivez-nous sur Twitter : 

Séminaire Quaresmi ce 21 novembre: Problème de Correlation Clustering avec Médiateurs

Ce jeudi 21 novembre, le laboratoire Quaresmi accueillera Zacharie Ales de l’ENSTA-Paris-Tech, Rosa Figueiredo de l’Université d’Avignon. Avec Céline Engelbeen, ils proposeront un exposé intitulé « Problème de Correlation Clustering avec Médiateurs ».

Le problème de correlation clustering (CCP) consiste à partitionner les sommets d’un graphe afin que la somme des poids positifs entre les parties et la somme des poids négatifs à l’intérieur des parties soient minimales. Dans cette présentation, nous introduisons un nouveau problème de ce type dans lequel un ensemble de sommets appelés médiateurs doit également être identifié. Les médiateurs doivent avoir de bonnes relations les uns avec les autres. Par exemple, dans un contexte politique, un ensemble de médiateurs pourrait représenter un ensemble de députés chargés d’évaluer une loi.

Les propriété définies par les contraintes de notre problème sont non héréditaires et ce problème est NP-difficile. Nous présentons un programme linéaire en nombres entiers, un algorithme d’énumération ainsi que des résultats numériques préliminaires.

Séminaire ouvert à tous. La présentation aura lieu à l’ICHEC, site Anjou, local E103. Pour faciliter l’organisation, merci de vous inscrire auprès de  celine.engelbeen@ichec.be

Au plaisir de vous y voir nombreux.

Autour de la stylométrie appliquée à des sources anciennes… 3

Voici le troisième épisode de la série de billets consacrée à la stylométrie. Le deuxième épisode s’est terminé sur la conclusion que le texte oprhelin doit être attribué à Raoul de Caen. Nous allons à présent décortiquer les résultats obtenus par l’ACP en termes de variables, puis estimer l’impact sur ceux-ci d’un paramètre clef de la méthode, le nombre de lemmes à considérer dans chaque paquet de lemmes.

Résultats de l’ACP : les variables

Comme nous l’avons déjà vu, les deux composantes principales que nous avons utilisées pour visualiser nos paquets de lemmes sont des résumés des fréquences associées aux lemmes qui apparaissent dans les textes considérés. Néanmoins, tous les lemmes n’ont pas une importance égale dans ces deux composantes : certains sont très utiles pour expliquer les différences entre nos points (leur contribution est grande), d’autres beaucoup moins (leur contribution est petite).

Le tableau suivant donne les dix contributions les plus importantes :

lemme contribution
et 34.81 %
is 9.73 %
dominus 8.15 %
qui 7.20 %
in 3.74 %
hic 3.57 %
sum 1.85 %
rex 1.15 %
Christianus 1.00 %
se 0.91 %

 

 

 

 

 

Techniquement, ces contributions correspondent à la part de la variance totale à laquelle correspondent les variances des variables considérées (ici, des fréquences centrées de lemmes). Cela signifie donc que la variance du lemme et représente 34.81 % de la variance totale expliquée, ce qui est énorme.

Si ce tableau nous permet d’évaluer l’importance générale de chaque lemme dans l’ACP, il ne dit rien sur l’impact des lemmes. Je m’explique : certes, la fréquence de et est la variable la plus importante, mais comment se retrouve-t-elle sur les deux composantes principales que nous représentons sur nos graphiques en nuage de points ?

Pour répondre à cette question, on peut tracer un graphique de corrélation :

On observe sur ce graphique que la flèche et :

  1. pointe dans la direction positive de chacun des deux axes ;
  2. pointe de manière plus marquée dans la direction (horizontale) de la CP n° 1 que dans celle (verticale) de la CP n° 2 : et contribue plus à la première qu’à la deuxième.

Cela signifie que si un paquet de lemmes possède une fréquence et importante, il sera plutôt situé à droite du graphique (forte corrélation positive de la fréquence et avec la CP n°1, sur l’axe horizontal), et un peu en haut (corrélation positive de la fréquence et avec la CP n°2, sur l’axe vertical1).

Cette conclusion est cohérente avec ce que nous observons sur le nuage de points. En effet, on voit sur celui-ci que les paquets de lemmes de Raoul sont plutôt situés à gauche du graphique, ceux d’Albert plutôt à droite et ceux de Guillaume plutôt au milieu. Or, rappelez-vous, nous avions calculé, dans le premier billet de cette série, les fréquences totales de ce lemme pour l’ensemble de l’œuvre de chacun des trois auteurs :

Raoul de Caen Albert d’Aix Guillaume de Tyr
et 2,91 % 7,49 % 5,41 %

Puisque la corrélation entre la fréquence et et la CP n° 1 est positive, la « hiérarchie » qu’induisent ces fréquences totales (Raoul de Caen < Guillaume de Tyr < Albert d’Aix) se retrouve sur l’axe horizontal du nuage de points1.

L’impact du lemme rex sur les deux CP est de la même nature, même si la taille de la flèche (et donc l’importance de l’impact) est bien moindre :

D’autres lemmes contribuent négativement aux composantes principales, ou à l’une des deux. C’est par exemple le cas de hic :

La flèche pointe dans la direction positive selon l’axe horizontal, mais dans la direction négative selon l’axe vertical. Cela signifie donc qu’un paquet de lemmes dont la fréquence hic est importante est « tiré » vers le bas et vers la droite du graphique. Il n’est pas forcément situé dans le cadran sud-est, parce que tous les lemmes « tirent » le paquet de lemmes dans une direction qui leur est propre. Le lemme hic, qui possède une contribution totale modeste (3.57 %), en tout cas par rapport à celle de et, n’est donc pas « le seul à avoir son mot à dire » (sans mauvais jeu de mots) quant à la position du point en question sur le nuage de points.

Souvent, on représente plusieurs variables/lemmes en même temps sur le graphique de corrélation (ici les 10 lemmes les plus importants en termes de contribution totale, puisqu’afficher les flèches des 8.743 lemmes rend le graphique illisible) :

On trace aussi souvent un biplot, qui est la superposition du nuage de points et du graphique de corrélation :

Ce biplot permet de voir quelles variables ont « tiré » les paquets de lemmes jusqu’à l’endroit où ils sont situés. En particulier, on peut considérer les lemmes des flèches qui pointent dans la direction des paquets de lemmes d’un auteur comme une « caractéristique particulière » de cet auteur. Ainsi, on conclut que, au sein des trois auteurs, Guillaume est celui qui a le plus tendance à utiliser les lemmes dominus, is et qui. Il faut néanmoins rester prudent avec ce genre de conclusions, puisque nous ne prenons ici en compte que dix lemmes, alors que 8743 sont pris en compte par l’ordinateur pour tracer cette représentation.

La taille des paquets de lemmes considérés

Dans les billets précédents, j’ai fait le choix arbitraire de calculer les fréquences de chaque lemme dans des paquets de 2500 lemmes successifs. Que deviennent nos résultats lorsqu’on modifie ce paramètre de l’analyse ?

Augmenter la taille des paquets de mots a deux effets. D’une part, les fréquences qui sont calculées constituent de meilleures estimations de la fréquence d’utilisation générale du lemme par l’auteur, et on peut donc considérer que le résultat est plus précis. D’autre part, le nombre de paquets de lemmes (c’est-à-dire le nombre de points représentés sur le graphique) diminue. En considérant des paquets de 5000 lemmes, on obtient ainsi :

À première vue, la conclusion qu’on peut tirer de ce nouveau graphique semble plus tranchée qu’avant, plus nette. Mais il faut observer ici que le texte orphelin n’est plus représenté que par un seul point, ce qui signifie que nous n’avons plus aucune idée de la variabilité interne des fréquences des lemmes qui le composent. Il n’est donc sans doute pas pertinent de monter jusqu’à 5000 lemmes.

Que se passe-t-il lorsqu’au contraire on diminue la taille des paquets ? Le phénomène est l’inverse de celui que nous venons d’observer : d’une part les estimations de fréquences sont moins précises, d’autre part nous disposons de plus de points. On voit ainsi les trois nuages de points correspondants à nos trois auteurs se rapprocher puis se confondre, lorsqu’on considère des paquets de 1000 lemmes, 500 lemmes, 250 lemmes puis 100 lemmes :

Au fur et à mesure que les groupes de points se rapprochent, la conclusion d’attribution de notre texte orphelin à Raoul de Caen devient de moins en moins convaincante, pour finir par s’effondrer tout à fait !

Il est donc nécessaire de choisir la taille des paquets de lemmes considérés avec précaution : trop grande, elle empêche d’avoir une idée de la variabilité interne ; trop petite, elle ne permet tout simplement pas de conclure. Sur ce sujet précis, le lecteur intéressé consultera l’article de Maciej Eder dont les références figurent ci-dessous.


Dans le prochain épisode, nous verrons d’autres techniques d’analyse stylométrique, qui ne sont, quant à elles, pas liées à la visualisation des paquets de lemmes.

La suite au prochain épisode…

Notes

  1. Cet effet est visible directement parce que la contribution du lemme et est très importante. Pour un lemme dont la contribution est moins importante, l’effet n’est pas forcément visible aussi clairement. (retour a, retour b)

Pour en savoir plus

  • M. Eder, “Does size matter? Authorship attribution, small samples, big problem”, Literary and Linguistic Computing, vol. 30, n° 2, p. 107-121, 2015.

Autour de la stylométrie appliquée à des sources anciennes… 2

Voici le deuxième épisode de la série de billets consacrée à la stylométrie. Nous en étions restés sur un résultat peu satisfaisant et sur la conclusion qu’il était idiot de considérer les fréquences d’apparition de deux mots seulement… mais comment visualiser conjointement les fréquences de 10 mots, de 20 mots, de 150 mots, ou même de l’ensemble des 8743 mots distincts qui apparaissent dans nos quatre textes ?

L’analyse en composantes principales

Heureusement, nous avons à notre disposition une technique statistique pour nous venir en aide : l’analyse en composantes principales (ACP). L’idée de celle-ci est de résumer un grand nombre de variables en un plus petit nombre de nouvelles variables de manière efficace. Le résumé est optimal en termes de l’explication de la variabilité des données sur lesquelles on travaille, c’est-à-dire en termes de l’information que ces données contiennent. Dans le cas qui nous occupe, la variabilité des données est très importante, puisque c’est ce qui permet de distinguer les différents paquets de lemmes les uns des autres.

De plus, le résumé prend une forme particulièrement agréable. En effet, alors que les anciennes variables sont corrélées entre elles, ce qui signifie que l’information qu’elles transportent est « partiellement redondante », les nouvelles variables sont décorrélées entre elles : l’information qu’elles transportent n’est pas redondante.

Pour mieux comprendre comment l’ACP fonctionne, considérons le cas particulier d’un résumé de deux variables en une variable. Ce résumé peut être vu géométriquement comme une projection de l’ensemble du plan (dimension 2) sur une droite (dimension 1). Ainsi, nous partons de deux variables, ici, les fréquences des lemmes et et qui :

Avant toute chose, nous centrons ces variables, c’est-à-dire que nous leur soustrayons leur moyenne, histoire qu’elles soient situées « au centre des axes » ; le nuage de points ne change pas de forme, il est seulement translaté (déplacé) :

Nous pouvons maintenant projeter le nuage de points sur une droite quelconque, de la même manière que le soleil projette l’ombre d’un objet sur un mur. Commençons avec l’exemple d’une projection sur une droite horizontale, plus facile à visualiser :

Les petits carrés oranges constituent la projection des points noirs sur la droite horizontale. On peut donc se débarrasser des deux anciens axes et ne considérer que la droite horizontale sur laquelle la projection a été effectuée :

Celle-ci est une nouvelle variable, qui résume les deux variables dont nous sommes partis. Il est bien entendu possible d’effectuer des projections sur d’autres droites, pas forcément horizontales :

Conceptuellement, les deux projections (la première sur la droite horizontale, la seconde sur la droite à pente positive) sont très similaires. Cependant, elles ne sont pas aussi efficaces l’une que l’autre du point de vue du « résumé de l’information de départ » qu’elles produisent :

Les points de la première projection (à gauche ci-dessus) sont plus espacés que ceux de la deuxième (à droite) : elle a « mieux résumé » l’information de départ (qui consiste en des points présentant des différences entre eux) et elle est donc plus efficace. En termes techniques, la variance des points résultant de la première projection est supérieure à celle des points résultant de la seconde.

Le choix des deux droites présentées ci-dessus est bien entendu arbitraire, et il est possible d’effectuer des projections sur n’importe quelle droite du faisceau de droites du plan :

Quand on a compris l’idée des projections, le principe de l’analyse en composantes principales est clair : cette technique sélectionne la droite qui est optimale en termes de « résumé de l’information », c’est-à-dire en termes de variance des points projetés. Sans rentrer dans les détails techniques, mentionnons simplement que la direction en question est celle du premier vecteur propre de la matrice de corrélation (ou de la matrice de covariance) des données originales.

Dans le cas du nuage de points considéré en exemple, la droite sélectionnée, qu’on appelle première composante principale, est la suivante :

La seconde composante principale est ici la droite perpendiculaire à la première composante principale :

C’est cette seconde composante principale qui transporte « le reste de l’information », que la première composante principale n’a pas capté. On peut quantifier la proportion de « résumé de l’information » transporté par chacune d’elle :

Presque 85% de l’information est donc portée par la première composante. Puisque celle-ci est optimale de ce point de vue, nous sommes assurés de ne pas pouvoir trouver de projection qui transporte plus d’information. Ce pourcentage est très important, puisqu’il nous dit que nous ne perdons que 15% de l’information si nous ne considérons que la première composante et oublions la seconde, c’est-à-dire si nous résumons nos deux variables en une.

Cette première composante principale est une sorte de « mélange » des deux variables de départ. Dans notre cas, pour savoir où un point du nuage de points initial est situé sur la première composante, il suffit d’appliquer la règle

PC1 = -0,93 ∗ freqCentr(et) + 0,34 ∗ freqCentr(qui)

Cette équation exprime en termes mathématiques que PC1 est un mélange (ou, pour être plus rigoureux, une combinaison linéaire) de freqCentr(et) et freqCentr(qui).

Par exemple, le point situé aux coordonnées (-0,84 % ; 1,84 %) dans le système des deux variables de départ (et qui correspond donc à un paquet de mots — ou, pour être plus précis, de lemmes — au sein duquel la fréquence centrée de et est égale à -0,84 % et la fréquence centrée de qui est égale à 1,84 %) sera situé à

PC1 = -0,93 ∗ (-0,84 %) + 0,34 ∗ 1,84% = 1,4 %

sur la première composante principale.

Que se passe-t-il lorsqu’on projette non pas deux variables sur une, mais par exemple trois variables sur deux ? Cette opération est elle aussi aisément visualisable : nous effectuons maintenant la projection d’un nuage de points de dimension trois sur un plan de dimension deux. Par exemple, dans le cas du plan horizontal :

Résultats

L’analyse en composantes principales que nous mettons en œuvre pour effectuer notre analyse stylométrique des récits de croisade est bien plus difficile à visualiser, puisque nous projetons cette fois 8743 variables (c’est-à-dire les fréquences relatives à l’ensemble des lemmes qui apparaissent dans les quatre textes) sur deux variables1 ! Cela signifie donc que nous résumons un espace de dimension 8743 à l’aide d’un espace de dimension 2. Inutile de dire que le processus ne peut cette fois pas être représenté graphiquement.

Néanmoins, on peut représenter son résultat, dans un plan (donc en dimension 2) puisque nous avons choisi de projeter sur deux variables (c’est d’ailleurs la raison de ce choix) :

 

Dans ce cas, la première composante principale porte 27 % de l’information, et la seconde 11 %. Nous avons donc « oublié » 62 % de l’information contenue dans nos données de départ, mais un coup d’œil rapide au graphique ci-dessus permet de se rendre compte que notre but est atteint.

En effet, on voit que, même en négligeant presque 2/3 de l’information de départ, nous pouvons affirmer que les triangles mauves, qui représentent les paquets de lemmes du texte orphelin, sont situés « loin » des disques rouges et des carrés verts, qui représentent respectivement les paquets de lemmes de Guillaume de Tyr et d’Albert d’Aix. Cette observation nous permet de conclure, en faisant l’hypothèse que l’auteur du texte orphelin est forcément parmi les trois candidats-auteurs sélectionnés, que c’est à Raoul de Caen qu’il faut attribuer la paternité de notre fragment-mystère. Et c’est effectivement le cas : pour les besoins de l’exemple présenté ici, j’ai « fabriqué » le texte orphelin en allant piocher quelques chapitres de l’œuvre de ce chroniqueur et en les réunissant sous l’étiquette « auteur inconnu ».

Il me semble nécessaire d’insister ici sur ce qui peut passer pour un détail méthodologique mais qui revêt une importance capitale : nous ne concluons pas que le texte est de Raoul de Caen parce que les triangles mauves sont situés au même endroit que les carrés turquoises, mais bien parce qu’ils sont éloignés des disques rouges et des carrés verts et que notre liste ne compte que trois candidats-auteurs. En effet, comme nous avons perdu une partie de l’information en résumant nos variables, et comme cette information consiste en les différences entre nos points, nous ne pouvons pas nous fier aux similitudes. Deux points situés tout près l’un de l’autre dans le résumé sont peut-être situés loin l’un de l’autre dans les données de départ. Par contre, si deux points sont situés loin l’un de l’autre dans le résumé, ils le sont aussi dans les données de départ. Il est donc bon de garder en tête cette règle d’or de l’analyse en composantes principales :

Avec une ACP, on peut se fier aux dissemblances, mais pas aux similitudes.

On pourrait traduire celle-ci en termes stylométriques :

L’ACP ne permet d’identifier l’auteur d’un texte qu’en éliminant tous les éléments d’une liste exhaustive de candidats-auteurs, à l’exception d’un seul.

Cela implique qu’il est nécessaire de disposer, pour effectuer une attribution stylométrique parfaitement rigoureuse, d’un ensemble d’auteurs potentiels pour le texte étudié, au sein duquel le véritable auteur se trouve forcément. Dans énormément de cas, une telle liste n’existe tout simplement pas, et il faut donc faire preuve de circonspection. J’espère avoir l’occasion de discuter ce point précis sur ce carnet dans le futur.

Dans le prochain billet, nous explorerons certains des « paramètres » de l’ACP que nous avons mise en œuvre ici, comme la taille des paquets de mots considérés.

La suite au prochain épisode…

Notes

  1. Ce choix n’est certainement pas optimal : non seulement il est souvent mieux de choisir un nombre limité de lemmes parmi ceux qui apparaissent le plus fréquemment, mais d’autres critères de choix interviennent aussi, comme la nature grammaticale de ces lemmes. Il est en effet souvent plus intéressant de ne pas considérer les lemmes qui portent un sens en eux-mêmes, comme les noms, les adjectifs, les verbes ou les pronoms, et de se restreindre aux stop words. Nous aurons l’occasion de discuter plus en détails cet aspect de l’analyse dans un billet prochain (retour).

Pour en savoir plus

  • Neat, T. et al, « Surveying Stylometry Techniques and Applications », in ACM Computing Surveys 50, n° 6 (2017), p. 1-36.
  • Stamatatos, E., « A survey of modern authorship attribution methods », in Journal of the American society for information science and technology 60 (2009), p. 538-556.

Autour de la stylométrie appliquée à des sources anciennes… 1

Cette année, j’ai décidé de consacrer quelques billets sur ce carnet de recherche à la stylométrie, dans lesquels je tenterai de me poser certaines questions à propos des tenants et des aboutissants des méthodes qu’on range sous ce terme, avec le point de vue de non-spécialiste qui est le mien.

Avant de discuter d’éléments plus ou moins précis, il me semble utile de donner une présentation générale (mais bien entendu limitée) de ces techniques. Je reprendrai pour ce faire un petit cas d’étude artificiel que j’avais présenté lors d’un atelier co-organisé par le SMCS et le CENTAL, de l’UCLouvain en mai 2018.

Le principe de la stylométrie

La stylométrie est un ensemble de techniques à l’intersection de la linguistique et de la statistique, dont le but est d’identifier le style de documents textuels. Le style d’un texte est caractéristique de son contexte d’écriture au sens large : son auteur, son époque, son « genre », …

La stylométrie tente de montrer qu’un texte est écrit dans un style différent d’une collection d’autres textes. Cette différenciation permet donc, dans une certaine mesure, de déterminer si un « anonyme » a été écrit par un auteur précis, et surtout de déterminer si un texte n’a pas été écrit par un auteur précis… nous allons étudier un tel exemple infra !

La stylométrie est ici appliquée à des ouvrages anciens, mais est aussi appliquée à des textes actuels, comme des emails, des tweets, etc.

Les techniques appliquées aujourd’hui en stylométrie sont variées, et différent notamment par la méthode statistique qui est utilisée (analyse en composante principale, clustering, analyse des réseaux, …) et le « niveau » de discours sur lequel on travaille (caractère, mot, phrase, etc.).

Notons cependant qu’une analyse stylométrique mélange bien souvent diverses méthodes statistiques et plusieurs « niveaux » du texte.

Nous allons dans un premier temps considérer un exemple mettant en œuvre une analyse en composantes principales au niveau lexical (basée sur les mots).

Les débuts

La première trace d’une analyse stylométrique provient d’une lettre du logicien anglais De Morgan au révérend Heald (1851) : pour déterminer si deux passages des évangiles sont du même auteur, il propose de

« déterminer […] si le premier texte est formé de mots plus longs que le deuxième texte. […] Un de ces jours, les écrits apocryphes seront identifiés de cette manière. »

L’idée de comparer les longueurs des mots a été appliquée par le physicien américain Mendenhall en 1887 aux œuvres de Bacon, Marlowe et Shakespeare, sans résultat.

Il a fallu attendre les années 1930 pour que l’étude quantitative du style soit reprise, avec les travaux du linguiste américain Zipf et du statisticien écossais Yule, consacrés aux distributions des fréquences de mots.

Après la guerre, les premiers résultats positifs apparaissent :

  • en 1959, Cox et Brandwood parviennent partiellement à ordonner chronologiquement les écrits de Platon ;
  • en 1962, Ellegärd parvient à écarter plusieurs candidats-auteurs des Lettres politiques de Junius (pamphlets anonymes contre le gouvernement anglais de 1769-1772) ;
  • en 1964, Mosteller et Wallace parviennent à répartir les Federalist papers (publications anonymes de 1787-1788 enjoignant les citoyens américains à ratifier la constitution) entre les trois auteurs Hamilton, Jay et Madison.

Cette dernière étude a convaincu la communauté scientifique de l’intérêt de la stylométrie : elle marque le point de départ d’une série très fournie d’études de textes très divers, souvent passionnantes.

Notons que certaines de ces études ont défrayé la chronique et retenti comme de véritables scandales, notamment à cause de problèmes méthodologiques. J’espère pouvoir revenir sur quelques-unes d’entre elles dans un billet prochain.

Première analyse naïve de fréquence

Considérons à titre d’exemple le problème suivant. Supposons que nous ne connaissons pas l’auteur d’un texte (que nous appellerons « texte orphelin ») qui constitue une partie de récit de la première croisade1.

Nous avons en tête trois candidats-auteurs, qui sont tous les trois des chroniqueurs latins de la première croisade (1096-1099) :

Nom Raoul de Caen Albert d’Aix Guillaume de Tyr
Chronique Gesta Tancredi in expeditione Hierosolymitana Liber Christianæ expeditionis pro restitutione sanctæ Hierosolymitanæ ecclesiæ Historia rerum in partibus transmarinis gestarum
Nombre de mots 28.553 117.179 240.168
Rédaction 1112 – 1118 1125 – 1150 1170 – 1184

Une première idée pour tenter de trancher entre ces trois auteurs est de regarder les mots qui reviennent le plus souvent dans leurs œuvres, et de les comparer avec les mots qui reviennent le plus souvent dans le texte orphelin. Récupérons donc les mots les plus fréquents dans celui-ci :

Rang 1 2 3 4 5 6 7 8 9 10
Mot et in ad nec qui non ut est sed a
Traduction et dans vers et ne pas qui ne pas pour que il est mais par
Fréquence
5,8% 2,5% 1,3% 0,9% 0,8% 0,7% 0,7% 0,5% 0,5% 0,3%

Travailler directement sur les mots n’est cependant pas satisfaisant. On imagine par exemple que le verbe esse, « être », apparaît sous d’autres formes que simplement est (qui correspondent aux autres formes conjuguées), ce qui fausse donc le calcul de fréquence. Les verbes ne sont pas les seuls mots qui subissent une flexion, comme le qui : penser aux noms communs, pronoms, adjectifs, déterminants, …

Le nombre de formes différentes est particulièrement grand en latin, puisqu’il s’agit d’une langue à déclinaisons. Nous devons donc lemmatiser les textes sur lequel nous travaillons (c’est à dire envoyer chaque mot sur sa forme pure, non déclinée ou conjuguée). Avant cela, on tokenise le texte :

Un exemple simple, le mot latin quod, montre que le processus de lemmatisation n’est pas trivial : suivant la place du mot dans la phrase, le « catégoriseur de discours » doit déterminer s’il s’agit du relatif (« lequel »), de l’adjectif (« quelque »), de l’interrogatif (« quel ? »), de l’adverbe (« à ce propos »), de la conjonction (« parce que »), etc. Dans ce cas, le lemmatiseur affecte en général des probabilités aux différentes possibilités.

Pour qu’un lemmatiseur soit efficace pour une langue donnée, il faut l’entraîner sur un corpus de textes déjà lemmatisés, dont les structures grammaticales sont explicitées… construire une tel corpus est un travail monumental ! Pour le latin médiéval, on dispose par exemple de l’Index Thomisticus, qui compte 170.000 tokens pour 9.000 phrases et est basé sur la Summa theologica de Thomas d’Aquin. Mais on imagine aisément des mots qui apparaissent dans certains textes médiévaux mais qui n’apparaissent pas dans la Summa ! Ces mots sont a priori inconnus du lemmatiseur.

Certaines langues sont plus difficiles à lemmatiser que d’autres ; c’est le cas du latin médiéval :

  • certains mots se collent à d’autres, comme le suffixe –que (« et ») et le préfixe se– (renforcement de certains pronoms) ;
  • certaines combinaisons de lettres sont interchangeables, et ce sans aucune cohérence (un même mot peut apparaître sous deux graphies différentes sur une même ligne) :
    ci ↔ ti ch ↔ h ph ↔ f h ↔ Ø
    w ↔ uu ↔ vv ↔ uv ↔ vu i ↔ j ↔ y k ↔ c ↔ ch g ↔ gu

    Le mot chirographum apparaît ainsi sous les graphies alternatives cirographum, chyrographum, cyrographum, chirografum, cirografum, chyrografum et cyrografum ;

  • les textes sont souvent farcis de vernaculaire (par exemple de l’ancien français).

Comme prévu, les résultats diffèrent sensiblement lorsqu’on compare les fréquences des mots et les fréquences des lemmes :

Mot et qui in hic sum ad nec is ille non
Rang après 1 2 3 4 5 6 7 8 9 10
Rang avant 1 5

(qui)

2 19

(haec)

8

(est)

3 4 68

(id)

51

(illi)

6

Il est donc absolument essentiel de lemmatiser le corpus avant d’effectuer des calculs de fréquence !

Nous disposons maintenant de mesures pertinentes de la fréquence d’apparition des lemmes, et pouvons donc comparer notre texte orphelin aux trois textes sources.

Les deux lemmes qui apparaissent le plus souvent sont et et qui :

Raoul de Caen Albert d’Aix Guillaume de Tyr Orphelin
et 2,91 % 7,49 % 5,41 % 3,94 %
qui 2,99 % 2,34 % 3,62 % 3,46 %

Ce résultat ne nous apprend pas grand chose : les statistiques du texte orphelin ne permettent pas de le rapprocher de manière claire de l’un des trois auteurs… La comparaison directe des proportions totales n’est pas satisfaisante !

Elle ne tient par exemple pas du tout compte de la variabilité de ces proportions au sein des corpus considérés. On peut ainsi imaginer que les proportions varient fort au sein des chapitres de chacune des trois œuvres… si c’est le cas, quelle est la pertinence de la comparaison avec la fréquence de l’orphelin ?

Pour tenir compte de cette variabilité, nous pouvons couper les corpus en tranches, et effectuer les calculs de proportion sur chacune d’elles. La taille des tranches doit être bien choisie : si elle sont trop grosses, le problème de variabilité n’est pas résolu ; si elle sont trop petites, la variabilité sera immense et ne signifiera plus grand chose. J’ai choisi ici de grouper les mots par paquets de 2.500.

Nous remplaçons donc une proportion totale :

par les proportions de groupes de 2500 mots :

qu’on peut maintenant comparer pour nos auteurs :

Ce troisième graphe n’est pas très convaincant : les deux points mauves (les paquets de mots de l’orphelin) sont situés à une bonne distance des carrés verts (les paquets de mots d’Albert d’Aix), mais ils sont situés entre les disques rouges (les paquets de mots de Guillaume de Tyr) et les carrés turquoises (les paquets de mots de Raoul de Caen).

Mais la comparaison des fréquences de mots n’a pas dit son dernier mot. Nous n’avons en effet utilisé ici qu’une très faible portion de l’information disponible, puisque nous avons comparé les proportions des deux mots les plus fréquents ! Considérer plus de mots pose toutefois des problèmes… et notamment des problèmes de visualisation : si nous considérons 10 mots, par exemple, comment visualiser les différences entre les corpus, et donc comment espérer effectuer une attribution ? Et pourquoi s’arrêter à 10 mots ? Nous pourrions comparer les fréquences des 8743 mots distincts — ou plutôt des 8743 lemmes distincts — qui apparaissent dans nos textes…

La suite au prochain épisode

Notes

  1. Pour clarifier l’exposé, j’ai considéré ici comme texte orphelin un morceau d’un des trois candidats-auteurs analysés (dont l’identité sera révélée dans le numéro suivant), de sorte que les résultats expriment clairement son attribution. Bien entendu, dans une véritable analyse stylométrique, la paternité du texte orphelin est tout à fait inconnue (retour).

Pour en savoir plus

  • Holmes, D., « The evolution of stylometry in humanities scholarship », in Literary and Linguistic Computing 13, n° 3 (1998), p. 111-117.

Le rachat de la Revue d’Intelligence Artificiellle

Quand on pense publier un article et que l’on se retrouve au milieu d’un imbroglio scientifico-commercial international

Dans le cadre du projet d’identification automatique des sources de l’encyclopédie de Vincent de Beauvais, nous avons soumis un article à la Revue d’Intelligence Artificielle (RIA), dans le numéro spécial « Digital Humanities »… mais entre le moment de la soumission et le moment de la publication de la version peer-reviewée, la RIA a été rachetée par un éditeur peu scrupuleux (qui a notamment publié des articles dans la « nouvelle version » de la revue sans aucun processus de révision) et le comité de rédaction a démissionné !

Le président de l’ex-comité a écrit un communiqué de presse donnant les détails de la situation. On y trouve relaté le fait que juste après le rachat 

 « le nouvel éditeur a modifié sans prévenir un numéro de la revue déjà publiée : trois articles en anglais écrits par des auteurs chinois ont été ajoutés et “à l’insu du rédacteur en chef et des 36 membres du comité de rédaction”.« 

Si cela paraît déjà « très cavalier », ce n’est pas tout. En effet, Yves Demazeau, l’ex-rédacteur en chef de la Revue explique notamment que juste avant sa démission, des chercheurs lui ont proposé de l’argent pour une publication accélérée :

« Entre temps, […] le Rédacteur en Chef a reçu la proposition d’articles écrits en anglais par des auteurs chinois lui proposant à chaque fois 800 $ (!) en échange d’une publication accélérée de leur soumission, ce que le Rédacteur a évidemment décliné. »

L’analyse que donne France Culture de l’événement vaut aussi la peine d’être lue et est assez édifiante. On lit, entre autres que, selon Jean-Gabriel Ganascia, professeur au laboratoire d’informatique de l’Université Pierre et Marie Curie 

« Il faut savoir qu’en Chine, les chercheurs reçoivent des primes en fonction des articles qu’ils publient et plus la revue est cotée, plus la prime est élevée »

On peut vraisemblablement voir tout cela comme un énième avatar de l’effet pervers de la course à « l’excellence » mesurée avec force indices numériques, à commencer par le nombre de publications

En ce qui concerne la RIA il serait triste de constater un jour que ce qui a été un des fleurons de l’édition scientifique française dans un domaine pointu et on ne peut plus actuel se retrouve dans la liste des journaux prédateurs. Heureusement, la plupart des ex-membres de celui-ci cherchent maintenant à mettre en place une nouvelle revue, dans la continuité de l' »ancienne version » de la RIA.

Sébastien de Valeriola, Étienne Cuvelier et Céline Engelbeen

Séminaire Quaresmi ce 23 mai : Estimation adaptative dans les modèles ARCH semi-paramétriques avec une tendance linéaire

Ce jeudi 23 mai à 14h, le laboratoire Quaresmi aura le plaisir de clôturer sa première année de séminaire avec la présentation de Mohamed Selmouni, chargé de cours à l’ICHEC, intitulée:

Estimation adaptative dans les modèles ARCH semi-paramétriques avec une tendance linéaire

We establish a local asymptotic normality property (LAN) for multivariate linear regression models with errors that follow a stationary multivariate ARCH process. We show that, in a semiparametric setup, all the parameters (in the parametrization chosen) are adaptively estimable. We provide an explicit efficient (and adaptive) estimator. The advantage of the semiparametric approach is that no specific (and unavoidably arbitrary) assumptions are required on the density of the innovations.

The asymptotic relative efficiency of the proposed estimator with respect to the traditional Gaussian one is uniformly larger than one. The models considered have many applications in, e.g., financial statistics/econometrics.

Séminaire ouvert à tous. La présentation aura lieu à l’ICHEC, site Anjou, local E103. Pour faciliter l’organisation, merci de vous inscrire auprès de  celine.engelbeen@ichec.be

Au plaisir de vous y voir nombreux.

Séminaire : QAMML : une famille de distributions de probabilité pour l’Analyse de Données Fonctionnelles

Ce jeudi 2 mai à 14h le laboratoire Quaresmi aura le plaisir d’organiser son troisième séminaire intitulé : 

QAMML : une famille de distributions de probabilité pour l’Analyse de Données Fonctionnelles, par Étienne Cuvelier.

Les données fonctionnelles deviennent de plus en plus courantes. Ces données peuvent résulter des mesures répétées d’un phénomène au cours du temps, mais aussi lors de la variation d’un paramètre non temporel, comme par exemple une longueur d’onde. Ces données sont l’objet de l’Analyse de Données Fonctionnelles, ou Functional Data Analysis (FDA) en anglais. De telles données peuvent aussi avoir une origine statistique, comme lorsqu’on veut « résumer » le contenu d’une variable en utilisant sa distribution de probabilité, comme c’est le cas en Analyse de Données Symboliques.

Si ce type de données est souvent stocké sous forme discrétisée, c’est à dire sous forme multivariée, ces données sont par nature de dimension infinie. L’approche classique qui, consiste à appliquer des techniques multivariées aux versions discrétisées de ces données, donne lieu à un paradoxe : la minimisation de la perte d’informations lors du stockage, par augmentation de la finesse de discrétisation, est confrontée au fléau de la dimension, à savoir la raréfaction des données lors de l’augmentation de la dimensionnalité. La mise au point d’outils directement conçus pour ce type de données spécifiques que sont les données fonctionnelles est donc impérative. Mais l’infinité dimensionnelle de celles-ci rend difficile la mise au point de ce type d’outils, et c’est particulièrement vrai lors de la construction d’un incontournable en analyse de données : la notion de distribution de probabilité d’une variable aléatoire fonctionnelle.

Dans cet exposé, nous nous attacherons, tout en restant dans le cadre de l’analyse de données, à définir et construire une classe de distributions de probabilités directement définies dans l’espace de dimension infinie dans lequel sont plongées les données fonctionnelles. Cette classe de distributions, dénommées QAMML, est développée en associant un générateur de copule Archimédienne à une moyenne quasi-arithmétique.

Cette nouvelle famille de distributions de probabilités pour données fonctionnelles, nécessite aussi de définir un nouveau type de densité de probabilité, ce que nous faisons en utilisant la dérivée directionnelle de Gâteaux.

Notre approche n’est pas uniquement théorique, car nous illustrons l’utilité de ces distributions en analyse de données en « injectant », telles quelles, les distributions QAMML dans deux algorithmes initialement conçus dans le cadre de l’analyse multivariée : la classification non supervisée par décomposition de mélange et la classification supervisée bayésienne. Nous illustrons aussi l’usage de ces distributions en statistique en construisant des intervalles de confiance fonctionnels. Ces trois « illustrations » étant réalisées sur des données réelles.

Séminaire ouvert à tous. La présentation aura lieu à l’ICHEC, site Anjou, local E103. Pour faciliter l’organisation, merci de vous inscrire auprès de  celine.engelbeen@ichec.be

Au plaisir de vous y voir nombreux.

Deuxième séminaire Quaresmi

Ce jeudi 28 mars à 14h, le laboratoire Quaresmi aura le plaisir d’accueillir pour son deuxième séminaire Sylvie Vande Velde, physicienne et biologiste, doctorante au sein du machine learning group de l’ULB. Elle viendra nous présenter un exposé intitulé « Cancer et nouvelles thérapies ».

          Dans nos sociétés modernes, de nombreuses personnes sont malheureusement
          chaque année atteintes par le cancer. Face à  cette maladie, la
          recherche médicale a déjà connu quelques grands succès et continue
          d’évoluer. De nouvelles thérapies commencent à émerger. Certaines
          d’entre elles, regroupées sous le nom d’immunothérapie, reposent sur la
          réactivation de nos propres défenses immunes pour lutter contre la
          maladie.

          L’immunothérapie a déjà permis quelques résultats encourageants chez
          l’homme mais n’est malheureusement pas encore efficace chez tous les
          patients. Actuellement, les principaux objectifs de recherche dans ce
          domaine sont de mieux comprendre les raisons des échecs de guérison et
          d’arriver à prédire la réponse ou non-réponse du patient avant que le
          traitement ne lui soit administré.

          Cet exposé débutera par une introduction générale sur le cancer et les
          nouveaux traitements d’immunothérapie. Parmi ceux-ci, la thérapie à
          l’aide d’anticorps « anti-PD1 » sera en particulier détaillée. Cette
          méthode fut récompensée par le prix Nobel de médecine 2018. Des
          recherches actuelles autour de ce traitement seront ensuite expliquées.
          Elles mêlent expériences biologiques, analyses de données statistiques et
          bioinformatique.

 

Séminaire ouvert à tous. La présentation aura lieu à l’ICHEC, site Anjou, local E103.

Pour faciliter l’organisation, merci de vous inscrire auprès de celine.engelbeen@ichec.be

Au plaisir de vous y voir nombreux.

 

Quoi, 18° un 15 février ? WTH ?! Et puis quoi, de la neige en avril ?

En avril 2016 un épisode neigeux avait déclenché une foule de messages étonnés sur les réseaux sociaux, certains mettant en doute le réchauffement climatique. L’épisode des températures printanières autour de ce 15 février 2019 a lui aussi engendré pas mal de réactions surprises, certains attribuant cela au même réchauffement global.

Qu’en est-il réellement ? Ces deux épisodes sont-ils si extraordinaires que cela ? Extraordinaire, la température de 18.1 degrés mesurée à Uccle l’est puisqu’elle n’avait jamais été enregistrée depuis 1881 pour un 15 février. Néanmoins, avant de répondre à la question du caractère extraordinaire de ces événements météorologiques, il faut préalablement définir ce que l’on entend par extraordinaire. Certes « l’extraordinaire » n’est pas l’ordinaire mais il y a une différence entre ce qui sort simplement de l’ordinaire (comme le fait de briser une habitude exceptionnellement, pour un anniversaire par exemple) et ce qui semblait inimaginable avant que cela n’arrive, au sens du « Cygne noir » de N.N. Taleb (comme par exemple le « Voyage dans la Lune »  avant l’épisode d’Apollo 11). Essayons donc de distinguer dans lequel des deux cas nous nous trouvons pour les deux records météorologiques concernés.

En fouillant une bonne dizaine de minutes sur le Net j’ai trouvé une base de données libre de droit reprenant des mesures météorologiques pour différentes stations mondiales, donc y compris belges : NCDC Climate Data Online. J’ai choisi de télécharger les données concernant la station de Bruxelles National car c’est celle qui me semble le plus proche d’Uccle dans les stations répertoriées et pour laquelle il y avait le plus de mesures disponibles de 1940 à maintenant. Voyons sur base de ces données ce qu’il en est, historiquement, autour du 15 février.

Un premier graphique appelé boxplot ou boîte à moustache va nous permettre de visualiser directement l’ensemble des températures maximales enregistrées pour le mois de février :

Boxplot des températures de février.

Pour rappel, dans une boîte à moustache, 25 % des données sont comprises entre le point A et le point B, de même 25 % des données sont comprises entre le point B et le point C, etc. Bien entendu 50 % des données se situent entre le point B et le point D, et enfin les minimum et maximum devant normalement être respectivement aux points A et E1 . On constate donc qu’en février, 25% des températures maximales sont supérieures à 10 degrés avec un maximum à 18.39 degrés. Ce qui relativise déjà un peu le caractère extraordinaire du record de 18.1 degrés de ce 15 février 2019.

Pour les lecteur.e.s qui seraient allergiques aux boxplots, les même données peuvent être représentées par un histogramme comme ci-dessous :

Sur l’axe des abscisses (les x) j’ai fait figurer par de petits traits les mesures à titre indicatif. Malheureusement dans cette dernière représentation des données certains traits se recouvrent, diminuant ainsi l’impression visuelle de leur multiplicité. Une autre façon de représenter les mesures (en plus de l’histogramme) est alors de les dessiner dans un rectangle en plaçant les mesures selon l’axe des abscisses mais en les distribuant aléatoirement selon l’axe des ordonnées (l’axe des y) comme ci-dessous :

On perçoit mieux dans ce dernier graphique que les températures « printanières » (que j’ai choisies arbitrairement à 14 degrés et plus) ne représentent qu’une faible part des températures enregistrées (3% des cas), mais qu’elles ne sont pas non plus inexistantes. Ce qui, « statistiquement », est égal à la probabilité d’obtenir 2 faces au plus en lançant une pièce 11 fois. C’est donc un événement relativement rare mais pas du tout impossible.

Oui, mais quid du 15 février plus spécifiquement ? En effet on peut toujours arguer que le mois de février contient des « 28 février » (et plus rarement des 29) qui sont plus proches du mois de mars et de son début de printemps que le 15 :

Dans ce cas on constate que 25% des températures sont supérieures à seulement 8.28 degrés. Mais avec un maximum absolu de 17.778 degrés. Ce qui, même en étant plus faible que le record de 2019, relativise à nouveau celui-ci. Notez encore que si une température de 18.1 degrés n’avait encore jamais été enregistrée à Uccle depuis 1881, cela ne signifie pas que l’événement ne s’est jamais produit, simplement qu’il n’a pas été observé depuis que des observations sont enregistrées à cet endroit. C’est un tantinet différent.

Maintenant que nous avons considéré le cas des températures printanières au mois de février revenons à l’épisode de 2016 et sa neige en avril. Dans ce cas-ci j’ai utilisé dans les données une valeur qui signifie quand il y avait eu chute de neige un jour mais sans tenir compte ici des quantités tombées :

Comme dans le cas précédent on constate au vu du graphique que même si c’est un événement rare, à nouveau il n’est pas impossible puisqu’il s’est déjà produit dans 4% des cas (à savoir les « jours d’avril »). Le grand Prince ne s’y était pas trompé puisqu’il a composé un titre qui s’intitule « Sometimes It Snow In April » :

En conclusion, si les températures observées en Belgique autour du 15 février 2019 sont bien extraordinaires, elles le sont au sens d’inhabituelles et non au sens d’inimaginables. Et il faut bien se garder des impressions intuitives que nous avons à partir d’un événement météorologique localisé dans le temps et dans l’espace, il serait en effet complètement imprudent de tirer des conclusions globales et à l’échelle du siècle, sur base uniquement de ce que nous vivons à un instant donné à un endroit précis sans comparer statistiquement ce qui s’est déjà produit précédemment au même endroit aux mêmes moments de l’année.

Sur ce je vous laisse je vais profiter des derniers rayons de ce magnifique soleil de février.

1. Dans le graphiques en illustration, les points situés en F sont ce que l’on appelle des valeurs aberrantes ou outliers en anglais (retour).

Séminaires Quaresmi 2018-2019

Le laboratoire Quaresmi est très heureux d’annoncer qu’il inaugurera le jeudi 28 février 2019 sa première série de séminaires, avec un exposé de M. Sébastien de Valeriola (ICHEC) intitulé « Risque de défaut et réseaux de crédit à Ypres au XIIIe siècle » .

Ces séminaires sont ouverts à tous, mais pour des raisons organisationnelles, merci de vous signaler à l’adresse celine.engelbeen_at_ichec.be.

Les séminaires se dérouleront sur notre site du Manoir d’Anjou : Rue au Bois, 365a, 1150 Bruxelles.

Vous pouvez retrouver ces séminaires dans notre section « Nos activités » .

Affiche des séminaires du laboratoire Quaresmi. Les dates sont aussi disponibles via notre section "nos activités".

Conférence EGC2020

Le laboratoire Quaresmi est particulièrement heureux de vous annoncer qu’il sera l’organisateur de la 20ème  édition de la conférence « Extraction et Gestion de Connaissance ».

La conférence Extraction et Gestion des Connaissances (EGC) est un événement annuel réunissant des chercheurs et praticiens de disciplines relevant de la science des données et des connaissances. Ces disciplines incluent notamment l’apprentissage automatique, l’ingénierie et la représentation de connaissances, le raisonnement sur des données et des connaissances, la fouille et l’analyse de données, les systèmes d’information, les bases de données, le web sémantique et les données ouvertes, etc.

La conférence EGC est l’occasion de faire se rencontrer académiques et industriels afin de confronter des travaux théoriques et des applications pratiques sur des données réelles et de communiquer des travaux de qualité, d’échanger et de favoriser la fertilisation croisée des idées, à travers la présentation de travaux de recherche récents, de développements industriels et d’applications originales.

N’hésitez pas à consulter (gratuitement) les actes de l’édition 2019, comprenant les articles des communications orales ainsi que ceux associés aux posters via la revue RNTI. Les actes des ateliers sont disponibles via les pages de ceux-ci (lien). Vous pouvez aussi accéder aux slides des keynotes et enfin les vidéos des différentes sessions seront bientôt disponibles sur Canal C2.

Cette 20ème édition se déroulera sur le site de l’ICHEC situé Boulevard Brand Withlock (sis à côté du rond-point Montgomery). L’organisation de cette édition « anniversaire » se fera en étroite collaboration avec l’association EGC.

De plus amples informations bientôt.

Stay tuned, suivez-nous sur Twitter : 

Atelier DAHLIA – EGC 2019

Ce mardi 22 janvier, j’ai eu l’occasion de présenter brièvement notre travail réalisé sur une partie de l’œuvre de l’encyclopédiste médiéval Vincent de Beauvais lors de l’atelier DAHLIA (Groupe de travail DigitAl Humanities and cuLtural herItAge) qui précédait la conférence EGC 2019 à Metz.

Face au volume très important que représente l’ensemble des encyclopédies médiévales, la question de l’identification des sources utilisées par les encyclopédistes paraît naturelle, mais représente une tâche colossale et fastidieuse pour les historiens si elle est entreprise manuellement. Le but de ce travail présenté est de créer un outil d’identification automatique des sources utilisées par Vincent de Beauvais dans ses livres 16 à 22 du speculum naturale.

Afin de créer cet outil, il a été nécessaire de découper en petites entités, appelées notices, les différentes œuvres sur lesquelles nous avons travaillé. Pour le speculum maius de Vincent de Beauvais, cette division existait déjà. Cette présentation, ainsi que les questions du public, ont été l’occasion de revenir sur la façon dont nous avons choisi d’effectuer ce découpage pour les différentes sources utilisées. Je suis également revenue brièvement sur les conséquences de cette subdivision sur l’outil.