| 1 |
Littérature et intelligence artificielle
|
|
|
|
In: L'intelligence artificielle des textes ; https://hal.archives-ouvertes.fr/hal-03240145 ; D. Mayaffre, L. Vanni. L'intelligence artificielle des textes, Honoré Champion, pp.73-130, 2021, Lettres Numériques, 9782745356406 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 2 |
Intelligence artificielle et discours politique. Quelles plus-values interprétatives ? Application aux corpus parlementaire et présidentiel contemporains
|
|
|
|
In: L'intelligence artificielle des textes. Des algorithmes à l'interprétation ; https://hal.archives-ouvertes.fr/hal-03347997 ; L'intelligence artificielle des textes. Des algorithmes à l'interprétation, 17, Honoré Champion, pp.131-182, 2021, Lettres numériques, 9782815937467 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 3 |
Intelligence artificielle et discours politique Le cas d'Emmanuel Macron (2017-2021)
|
|
|
|
In: https://hal.archives-ouvertes.fr/hal-03522615 ; 3ème cycle. Collège de France - Séminaire "Migrations et sociétés", France. 2021 ; Collège de France - Séminaire "Migrations et sociétés" (2021)
|
|
BASE
|
|
Show details
|
|
|
| 4 |
L'intelligence artificielle des textes. Présentation
|
|
|
|
In: L'intelligence artificielle des textes. Des algorithmes à l'interprétation ; https://hal.archives-ouvertes.fr/hal-03344917 ; L'intelligence artificielle des textes. Des algorithmes à l'interprétation, Honoré Champion, pp.9-14, 2021, Lettres numériques, 978-2-7453-5640-6 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 5 |
DeepFLE : la plateforme pour évaluer le niveau d’un texte selon le CECRL
|
|
|
|
In: Dialogues et cultures ; https://hal.archives-ouvertes.fr/hal-03494844 ; Dialogues et cultures, Fédération internationale des professeurs de français, A paraître, Dialogues et cultures (2021)
|
|
BASE
|
|
Show details
|
|
|
| 6 |
These words that Macron borrows from Sarkozy. Discourse and Artificial Intelligence ; Ces mots que Macron emprunte à Sarkozy. Discours et intelligence artificielle
|
|
|
|
In: ISSN: 1638-9808 ; EISSN: 1765-3126 ; Corpus ; https://hal.archives-ouvertes.fr/hal-02503269 ; Corpus, Bases, Corpus, Langage - UMR 7320, 2020 ; https://journals.openedition.org/corpus/ (2020)
|
|
BASE
|
|
Show details
|
|
|
| 7 |
Caractériser un texte en français : les passages-clés des niveaux A1 et A2 du CECRL.
|
|
|
|
In: Actes des JADT 2020 ; JADT 2020 15èmes Journées internationales d’Analyse statistique des Données Textuelles ; https://hal.archives-ouvertes.fr/hal-02430322 ; JADT 2020 15èmes Journées internationales d’Analyse statistique des Données Textuelles, Jun 2020, Toulouse, France. 11 p ; https://jadt2020.sciencesconf.org/ (2020)
|
|
BASE
|
|
Show details
|
|
|
| 8 |
Du texte à l'intertexte. Le palimpseste Macron au révélateur de l'Intelligence artificielle
|
|
|
|
In: CMLF 2020 - 7ème Congrès mondiale de linguistique française ; https://hal.archives-ouvertes.fr/hal-02520224 ; CMLF 2020 - 7ème Congrès mondiale de linguistique française, Jul 2020, Montpellier / Online, France (2020)
|
|
BASE
|
|
Show details
|
|
|
| 9 |
Objectiver l'intertexte ? Emmanuel Macron, deep learning et statistique textuelle
|
|
|
|
In: JADT 2020 - 15èmes Journées Internationales d'Analyse statistique des Données Textuelles ; https://hal.archives-ouvertes.fr/hal-02894990 ; JADT 2020 - 15èmes Journées Internationales d'Analyse statistique des Données Textuelles, Jun 2020, Toulouse, France (2020)
|
|
BASE
|
|
Show details
|
|
|
| 10 |
Décrire les textes politiques par le deep learning : à la recherche de nouveaux observables
|
|
|
|
In: JADT 2020 : 15es Journées internationales d’Analyse statistique des Données Textuelles ; https://hal.archives-ouvertes.fr/hal-03167188 ; JADT 2020 : 15es Journées internationales d’Analyse statistique des Données Textuelles, Jun 2020, Toulouse, France ; http://lexicometrica.univ-paris3.fr/jadt/JADT2020/jadt2020_pdf/GUARESI_JADT2020.pdf (2020)
|
|
BASE
|
|
Show details
|
|
|
| 11 |
Le deep learning comme défi pour identifier le style d'un écrivain : l'exemple de Jean Giono
|
|
|
|
In: JADT ; https://hal.archives-ouvertes.fr/hal-02936437 ; JADT, 2020 (2020)
|
|
BASE
|
|
Show details
|
|
|
| 12 |
Hyperdeep : deep learning descriptif pour l'analyse de données textuelles
|
|
|
|
In: JADT 2020 - 15èmes Journées Internationales d'Analyse statistique des Données Textuelles ; https://hal.archives-ouvertes.fr/hal-02926880 ; JADT 2020 - 15èmes Journées Internationales d'Analyse statistique des Données Textuelles, Jun 2020, Toulouse, France (2020)
|
|
BASE
|
|
Show details
|
|
|
| 13 |
Key Passages : From statistics to Deep Learning
|
|
|
|
In: Text Analytics. Advances and Challenges ; https://hal.archives-ouvertes.fr/hal-03099658 ; 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⟩ (2020)
|
|
BASE
|
|
Show details
|
|
|
| 14 |
Apprendre et mesurer la conflictualité avec le deep learning ?
|
|
|
|
In: JADT 2020 - 15èmes Journées Internationales d'Analyse statistique des Données Textuelles ; https://hal.archives-ouvertes.fr/hal-03234268 ; JADT 2020 - 15èmes Journées Internationales d'Analyse statistique des Données Textuelles, Jun 2020, Toulouse, France (2020)
|
|
BASE
|
|
Show details
|
|
|
| 15 |
Deep learning et authentification des textes
|
|
|
|
In: ISSN: 1773-0120 ; Texto ! Textes et Cultures ; https://hal.archives-ouvertes.fr/hal-02561039 ; Texto ! Textes et Cultures, Institut Ferdinand de Saussure, 2019, Texto! Textes et cultures, Volume XXIV, (n°1), pp.1-34 (2019)
|
|
BASE
|
|
Show details
|
|
|
| 16 |
Le deep learning : un outil pour la didactique du FLE ?
|
|
|
|
In: ISSN: 2612-5994 ; Dialettica pedagogica ; https://hal.archives-ouvertes.fr/hal-02274114 ; Dialettica pedagogica, 2019, pp.79-106 (2019)
|
|
BASE
|
|
Show details
|
|
|
| 17 |
Les niveaux de langue du CECRL : de la prédiction à l’analyse descriptive grâce au deep learning et à l’analyse des données textuelles
|
|
|
|
In: 1e Congrès International des professeurs et chercheurs de français de l’UNIPPROFIF « Le français aujourd’hui face aux défis de demain » ; https://hal.archives-ouvertes.fr/hal-02404076 ; 1e Congrès International des professeurs et chercheurs de français de l’UNIPPROFIF « Le français aujourd’hui face aux défis de demain », UNIPPROFIF, Oct 2019, Trujillo, Pérou ; http://www.unipprofif.org/ (2019)
|
|
BASE
|
|
Show details
|
|
|
| 18 |
ADT et deep learning, regards croisés. Phrases-clefs, motifs et nouveaux observables
|
|
|
|
In: JADT 2018 ; https://hal.archives-ouvertes.fr/hal-01823560 ; JADT 2018, Jun 2018, Rome, Italie (2018)
|
|
Abstract:
International audience ; This contribution confronts ADT and Machine learning. The extraction of key-statistical passages is first proposed according to several calculations implemented in the Hyperbase software. An evaluation of these calculations according to the filters applied (taking into account of the positive specificities only and substantives only, etc.) is given. The extraction of key passages obtained by deep learning-passages that have the best recognition rate at the time of a prediction-is then proposed. The hypothesis is that deep learning is of course sensitive to the linguistic units on which the computation of the key statistical sentences are based, but also sensitive to other phenomena than frequency and other complex linguistic observables that the ADT has more difficult to take into account-as would be linguistic pattern (Mellet et Longrée, 2009). If this hypothesis is confirmed, it would on the one hand better apprehend the black box of deep learning algorithms and on the other hand to offer the ADT community a new points of view. Résumé Cette contribution confronte ADT et Deep learning. ; L'extraction de passages-clefs statistiques est d'abord proposée selon plusieurs calculs implémentés dans le logiciel Hyperbase. Uné evaluation de ces calculs en fonction des filtres appliqués (prise en compte des spécificités positives seulement, prise en compte de substantifs seulement, etc) est donnée. L'extraction de passages-clefs obtenus par deep learning-c'est-` a-dire des passages qui ont le meilleur taux de reconnaissance au moment d'une prédiction-est ensuite proposée. L'hypothèse est que le deep learning est bien sûr sensible aux unités linguistes sur lesquelles le calcul des phrases-clefs statistiques se fondent, mais sensiblé egalementàegalement`egalementà d'autres phénomènes que fréquentiels et d'autres observables linguistiques complexes que l'ADT a plus de maì a prendre en compte-comme le seraient des motifs sous-jacents (Mellet et Longrée, 2009). Si cette hypothèse se confirmait, elle permettrait d'une part de mieux appréhender la boˆıteboˆıte noire des algorithmes de deep learning et d'autre part d'offriràoffrir`offrirà la communauté ADT de nouveaux points de vue.
|
|
Keyword:
[INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]; [INFO]Computer Science [cs]; [SHS.LANGUE]Humanities and Social Sciences/Linguistics; deep learning; motif; Mots-clés: ADT; nouveaux observables; phrase-clef; spécificités
|
|
URL: https://hal.archives-ouvertes.fr/hal-01823560/file/JADT2018_Vanni_Mayaffre_Longree_DEF.pdf
https://hal.archives-ouvertes.fr/hal-01823560/document
https://hal.archives-ouvertes.fr/hal-01823560
|
|
BASE
|
|
Hide details
|
|
|
| 19 |
Machine Learning under the light of Phraseology expertise: use case of presidential speeches, De Gaulle -Hollande (1958-2016)
|
|
|
|
In: JADT - Statistical Analysis of Textual Data ; JADT 2016 - Statistical Analysis of Textual Data ; https://hal.archives-ouvertes.fr/hal-01343209 ; JADT 2016 - Statistical Analysis of Textual Data, Damon Mayaffre; Céline Poudat; Laurent Vanni; Véronique Magri; Peter Follette; Caroline Daire, Jun 2016, Nice, France. pp.157-168 ; https://jadt2016.sciencesconf.org/ (2016)
|
|
BASE
|
|
Show details
|
|
|
|
|
