UMR 7320 : Bases, Corpus, Langage

titre: L'intelligence artificielle des textes. Présentation
auteur: Damon Mayaffre, Laurent Vanni
article: L'intelligence artificielle des textes. Des algorithmes à l'interprétation, Honoré Champion, pp.9-14, 2021, Lettres numériques, 978-2-7453-5640-6
annee_publi: 2021
resume: Les arts et les sciences du texte peuvent-ils tirer parti de la puissance nouvelle des machines ? Que peuvent nous apprendre les algorithmes de deep learning sur une œuvre, un auteur, un genre, une époque ? L’Intelligence artificielle peut-elle offrir à l’analyste des parcours de lecture inédits et faire émerger de nouveaux observables textuels comme autant de passages pertinents à interpréter ? En retour enfin, l’expertise linguistique du texte permet-elle d’éclairer le fonctionnement des réseaux de neurones artificiels ? C’est à ces questions ambitieuses que les auteurs de cet ouvrage, linguistiques et informaticiens proposent des réponses.
typdoc: Chapitre d'ouvrage
Accès au texte intégral et bibtex

titre: Macron ou le mystère du verbe
auteur: Damon Mayaffre
article: L'Aube, 342 p., 2021, Monde en cours, Jean Viard, 9782815937467
annee_publi: 2021
resume: Le mystère Macron est un mystère du verbe. Ce n’est pas la politique de Macron en elle-même qui intrigue puisqu’elle est relativement convenue dans l’espace européen au début du XXIème siècle, mais ses mots et son discours. Le postulat de cet ouvrage est que la compréhension du macronisme passe par l’étude critique du corpus des textes du candidat en 2016-2017 et du président depuis qu’il est à l’Elysée. 1000 discours ont été rassemblés de de Gaulle, Pompidou, Giscard, Mitterrand, Chirac, Sarkozy et Hollande pour servir de comparaison, et les 100 plus grands discours de Macron ont été ajoutés : ses vœux aux Français, ses discours devant le Congrès, ses interviews télévisées, ses tribunes dans la presse, ses discours de meeting ou ses allocutions solennelles. Et l’Intelligence artificielle et la logométrie ont appris les tournures et les mots favoris, les propositions originales ou celles au contraire reprises, les emprunts sinon les plagiats, les références revendiquées ou les idéologies cachées, les richesses rhétoriques et les tics de langages, afin de baliser les parcours de lecture de l’analyste. De quels discours Macron s’inspire-t-il le plus ? Ceux de De Gaulle ou ceux de Hollande ? Ceux de Pompidou ou ceux de Sarkozy ? Quelles sont les thématiques favorites de Macron et ses propositions phares ? L’égalité entre les hommes et les femmes, le « travailler plus », l’écologie, la crise sanitaire évidemment, les politiques territoriales ? Quelles sont les vertus et les vices d’un discours parfois performant et performatif, parfois incantatoire ? Et d’abord, Macron tient-il un discours de droite ou un discours de gauche ? Jacobin ou girondin ? Classique ou moderne ? Saint-simonien ou ricœurien ? L’ouvrage se termine par un clin d’œil et une prouesse méthodologique : la génération automatique du discours que le président prononcera fin 2021 ou début 2022 pour annoncer sa candidature à un second mandat à l’Elysée. Dans cet ouvrage, les algorithmes IA ont appris à parler le Macron, sa grammaire, son lexique, sa syntaxe. Dès lors, leur serait-il possible de produire un avatar de discours ou discours numérique pastiche, en tout point ressemblant, pour permettre au président de se faire réélire ?
typdoc: Ouvrage (y compris édition critique et traduction)
Accès au bibtex

titre: From text saliency to linguistic objects: learning linguistic interpretable markers with a multi-channels convolutional architecture
auteur: Laurent Vanni, Marco Corneli, Damon Mayaffre, Frédéric Precioso
article: 2021
annee_publi: 2021
resume: A lot of effort is currently made to provide methods to analyze and understand deep neural network impressive performances for tasks such as image or text classification. These methods are mainly based on visualizing the important input features taken into account by the network to build a decision. However these techniques, let us cite LIME, SHAP, Grad-CAM, or TDS, require extra effort to interpret the visualization with respect to expert knowledge. In this paper, we propose a novel approach to inspect the hidden layers of a fitted CNN in order to extract interpretable linguistic objects from texts exploiting classification process. In particular, we detail a weighted extension of the Text Deconvolution Saliency (wTDS) measure which can be used to highlight the relevant features used by the CNN to perform the classification task. We empirically demonstrate the efficiency of our approach on corpora from two different languages: English and French. On all datasets, wTDS automatically encodes complex linguistic objects based on co-occurrences and possibly on grammatical and syntax analysis.
typdoc: Pré-publication, Document de travail
Accès au texte intégral et bibtex

titre: Du texte à l'intertexte. Le palimpseste Macron au révélateur de l'Intelligence artificielle
auteur: Damon Mayaffre, Camille Bouzereau, Magali Guaresi, Frédéric Precioso, Laurent Vanni
article: CMLF 2020 - 7ème Congrès mondiale de linguistique française, Jul 2020, Montpellier / Online, France
annee_publi: 2020
resume: L'intertexte est la condition de l'interprétation de tout texte. Cependant, sa matérialisation, son explicitation, son implémentation ont toujours paru difficile pour la linguistique textuelle. Cette contribution propose une matérialisation de l'intertexte au sein de corpus réflexifs numériques, et convoque de manière originale l'intelligence artificielle (deep learning, modèle convolutionnel) et la logométrie pour explorer de manière systématique l'intertexte ainsi matérialisé. Pour cette étude, nous postulons que le corpus élyséen depuis 1958 constitue l'intertexte des discours d'Emmanuel Macron, dans lequel le président puise de manière consciente ou inavouée pour construire ses discours. A titre d'exemple, nous mettons ainsi au jour automatiquement les empreintes grammaticales de Giscard dans le discours de Macron, et les emprunts lexicaux que le nouveau président concède à de Gaulle.
typdoc: Communication dans un congrès
Accès au texte intégral et bibtex

titre: Hyperdeep : deep learning descriptif pour l'analyse de données textuelles
auteur: Laurent Vanni, Marco Corneli, Dominique Longrée, Damon Mayaffre, Frédéric Precioso
article: JADT 2020 - 15èmes Journées Internationales d'Analyse statistique des Données Textuelles, Jun 2020, Toulouse, France
annee_publi: 2020
resume: Depuis peu, les outils d'aide à l'interprétation des résultats du deep learning font leur apparition (LIME, LSTMVIS, TDS). Dans cette communication nous proposons d'aller plus loin en allant chercher l'information cachée au plus profond des couches intermédiaires du deep learning grâce à un nouvel outil. Hyperdeep permet d'une part de prédire l’appartenance d’un texte et d’en apprécier les emprunts à différents styles ou auteurs et d’autre part, par déconvolution, d'analyser les saillances du texte afin d’en faire remonter les marqueurs linguistiques appris par le réseau. Cette information d’un genre nouveau est rassemblée et mise en valeur dans un nouvel outil mêlant visualisations graphiques et texte dynamique. Son utilisation est accompagnée d’une intégration complète dans la plateforme Hyperbase Web qui propose l’environnement adéquate et un point de départ naturel pour toute étude mêlant deep learning et statistiques du texte.
typdoc: Communication dans un congrès
Accès au texte intégral et bibtex

titre: Objectiver l'intertexte ? Emmanuel Macron, deep learning et statistique textuelle
auteur: Damon Mayaffre, Laurent Vanni
article: JADT 2020 - 15èmes Journées Internationales d'Analyse statistique des Données Textuelles, Jun 2020, Toulouse, France
annee_publi: 2020
resume: Cette contribution propose un parcours méthodologique susceptible d’objectiver l’intertexte ; l’intertexte politique des discours du président français Emmanuel Macron en l’occurrence.Le deep learning (modèle convolutionnel) est d’abord utilisé pour « apprendre » (taux d’accuracy satisfaisant de 92,3%) le discours présidentiel français depuis 1958 : les discours de de Gaulle, Pompidou, Giscard, Mitterrand, Chirac, Sarkozy et Hollande sont alors considérés comme l’intertexte potentiel des discours de Macron.Ensuite, les textes de Macron – inconnus jusqu’ici du système – sont versés dans le modèle et nous forçons la machine à attribuer les passages de Macron à l’un de ses prédécesseurs en fonction de leur composition linguistique. Enfin, l’algorithme extrait et décrit les passages et les unités linguistiques (wTDS, spécificités lexicales, cooccurrences, étiquettes morpho-syntaxiques) de Macron interprétées par la machine comme ressemblant à celles de de Gaulle ou Sarkozy, à celles de Mitterrand ou de Hollande.Le discours de Macron est traversé, de manière explicite parfois, de manière implicite le plus souvent, par les discours de ses prédécesseurs – phénomène que l’on appellera « intertextualité » – et l’Intelligence artificielle et la statistique textuelle peuvent repérer les phénomènes d’emprunt, d’imitation voire de plagiat.
typdoc: Communication dans un congrès
Accès au texte intégral et bibtex

titre: Ces mots que Macron emprunte à Sarkozy. Discours et intelligence artificielle
auteur: Damon Mayaffre, Magali Guaresi, Laurent Vanni
article: Corpus, Bases, Corpus, Langage - UMR 7320, 2020
annee_publi: 2020
resume: La logométrie et l’Intelligence artificielle (deep learning) appliquées aux textes politiques permettent de repérer dans le discours d’Emmanuel Macron les emprunts linguistiques qu’il contracte auprès de ses prédécesseurs à l’Elysée (de Gaulle, Pompidou, Giscard, Mitterrand, Chirac, Sarkozy et Hollande). Les emprunts les plus importants, lexicaux autour de la valeur travail et énonciatifs autour de l’exhibition du « je » et du « je veux », concernent statistiquement Nicolas Sarkozy.
typdoc: Article dans une revue
Accès au texte intégral et bibtex

titre: Key Passages : From statistics to Deep Learning
auteur: Laurent Vanni, Marco Corneli, Dominique Longrée, Damon Mayaffre, Frédéric Precioso
article: Domenica Fioredistella Iezzi; Damon Mayaffre; Michelangelo Misuraca. Text Analytics. Advances and Challenges, Springer, pp.41-54, 2020, 978-3-030-52679-5. ⟨10.1007/978-3-030-52680-1_4⟩
annee_publi: 2020
resume: This contribution compares statistical analysis and deep learning approaches to textual data. The extraction of "key passages" using statitics and deep learning is implemented using the Hyperbase sofware.
typdoc: Chapitre d'ouvrage
Accès au bibtex

titre: Text Analytics
auteur: Iezzi Domenica Fioredistella, Damon Mayaffre, Misuraca Michelangelo
article: Springer, 2020, 978-3-030-52679-5
annee_publi: 2020
typdoc: Direction d'ouvrage, Proceedings, Dossier
Accès au bibtex

titre: Explorer, mesurer, contextualiser. Quelques apports de la textométrie à l'analyse des discours
auteur: Damon Mayaffre, Bénédicte Pincemin, Céline Poudat
article: Langue française, Armand Colin, 2019, Les outils informatiques au service des linguistes, pp.101-115
annee_publi: 2019
resume: Notre recherche vise à décrire la parole publique du président français Macron par rapport à celle de ses prédécesseurs de la Ve République (1958-2019). L'article montre comment la textométrie est mobilisable pour effectuer différents types d'investigations linguistiques : irrégularités de répartition des mots, évolution diachronique du vocabulaire, relevés systématiques et organisés d'attestations en contexte, synthèse statistique des contextes syntagmatiques locaux par cooccurrence, visualisations de la structure lexicale globale du corpus par analyse factorielle des correspondances et analyse arborée. Notre objectif est double : il s'agit d'une part d'analyser le discours macronien et d'autre part de montrer comment la textométrie permet de répondre à des questionnements linguistiques classiques en corpus, en mobilisant les logiciels Hyperbase Web et TXM.
typdoc: Article dans une revue
Accès au texte intégral et bibtex

UMR 7320 : Bases, Corpus, Langage

Menu

Nos tutelles

Nos partenaires

Rechercher

Damon Mayaffre

CV

Site personnel

Dernières publications