Pays : France
Langue(s) : français
Auteur(s) : BESOMBES Jérôme
Date de soutenance : 2003
Thèse délivrée par : Université Henri Poincaré-Nancy 1
Section(s) CNU : section 27 : Informatique
Discipline(s) : Informatique
Sous la direction de : Jean-Yves MARION
Le sujet de notre étude est l'apprentissage des langages réguliers d'arbres pour la modélisation algorithmique de l'acquisition du langage. L'hypothèse émise est celle d'une structuration arborescente des données mises à disposition de l'apprenti ; ces données sont des phrases correctes entendues et l'apprentissage est effectif dès lors qu'une représentation du langage auquel appartiennent ces phrases est construite. Cette représentation doit permettre de générer de nouvelles phrases compatibles avec le langage et non présentées en exemples. Considérant que le signal perçu (une phrase entendue) est traduit sous forme d'arbre, il apparaît que la généralisation de ces structures arborescente est un élément constitutif de l'apprentissage. Nous avons développé plusieurs modèles pour cette généralisation sous forme d'algorithmes prenant en compte différents types de structures en entrée et différents niveaux d'apport d'information. Ces nouveaux modèles offrent l'avantage d'unifier des résultats majeurs dans la théorie de l'inférence grammaticale, et d'étendre ces résultats, en particulier par la considération de structures nouvelles non étudiées précédemment pour l'apprentissage.
Un modèle algorithmique de la généralisation de structures dans le processus d'acquisition du langage
Auteur(s) : BESOMBES Jérôme
Date de soutenance : 2003
Thèse délivrée par : Université Henri Poincaré-Nancy 1
Section(s) CNU : section 27 : Informatique
Discipline(s) : Informatique
Sous la direction de : Jean-Yves MARION
Le sujet de notre étude est l'apprentissage des langages réguliers d'arbres pour la modélisation algorithmique de l'acquisition du langage. L'hypothèse émise est celle d'une structuration arborescente des données mises à disposition de l'apprenti ; ces données sont des phrases correctes entendues et l'apprentissage est effectif dès lors qu'une représentation du langage auquel appartiennent ces phrases est construite. Cette représentation doit permettre de générer de nouvelles phrases compatibles avec le langage et non présentées en exemples. Considérant que le signal perçu (une phrase entendue) est traduit sous forme d'arbre, il apparaît que la généralisation de ces structures arborescente est un élément constitutif de l'apprentissage. Nous avons développé plusieurs modèles pour cette généralisation sous forme d'algorithmes prenant en compte différents types de structures en entrée et différents niveaux d'apport d'information. Ces nouveaux modèles offrent l'avantage d'unifier des résultats majeurs dans la théorie de l'inférence grammaticale, et d'étendre ces résultats, en particulier par la considération de structures nouvelles non étudiées précédemment pour l'apprentissage.