Communication, Literacy, Education, Accessibility, Readability – CLEAR

Le projet CLEAR utilise les méthodes du Traitement automatique des langues (TAL ou NLP) et de l'IA. Pour différentes tâches, nous exploitons des méthodes dédiées.

Par exemple, un des objectifs consiste à construire un dictionnaire avec des explications des termes médicaux, comme {myocarde, muscle du coeur}. Plusieurs méthodes sont proposées pour cela. Elles relèvent de l'extraction d'information. La majorité de ces méthodes est basée sur des règles. De cette manière, les méthodes peuvent fonctionner dans des corpus non annotés, car les règles décrivent assez précisément les structures langagières recherchées. Nous exploitons par exemple les définitions (Le myocarde est un muscle du coeur, qui a pour fonction de...), les reformulations (Le myocarde, c'est-à-dire le muscle du coeur, joue un rôle important dans...), la structure morphologique des termes (myo (muscle) + carde (coeur) = muscle du coeur), etc.

Les méthodes d'IA par apprentissage supervisé sont également exploitées. Ces méthodes doivent disposer de données de référence annotées, souvent manuellement, pour créer leur propre modèle et reconnaitre les informations recherchées. Par exemple, nous utilisons l'apprentissage supervisé pour trouver les phrases sémantiquement proches et parallèles. Ces phrases sont différenciées par leur technicité et difficulté {phrase difficile, phrase simplifiée}. Ces paires de phrases sont ensuite exploitées pour simplifier les documents : transformer ou ré-écrire des phrases techniques difficiles en des phrases simplifiées.

Une partie de l'évaluation est effectuée avec les utilisateurs réelles. Dans ce cas, les méthodes de sociologie sont utilisées.

Le projet CLEAR a produit plusieurs résultats :

- un corpus comparable, avec des paires de documents, qui sont différenciés par leur technicité et difficulté. Les documents sont de trois types : (1) articles d'encyclopédie de Wikipedia et Vikidia (2*3 815 documents, 14M occ), (2) résumés de littérature scientifique de la collaboration Cochrane (2*575 documents, 8M occ), (3) notices de médicaments écrites pour les patients et informations similaires pour les médecins (2*11 800 documents, 278M occ).

- un corpus parallèle avec presque 11 000 paires de phrases alignées provenant de textes médicaux. Une partie de ces phrases est alignée manuellement, d'autres paires de phrases sont alignées automatiquement grâce à l'apprentissage supervisé. Les phrases d'une paire sont différenciées par leur difficulté.

- le corpus Wikilarge-FR avec presque 300 000 paires de phrases alignées provenant des textes généraux de Wikipédia. Ce corpus a été créé en anglais par d'autres chercheurs et traduit en français lors du projet CLEAR.

- un lexique, avec presque 8 000 paires de termes de type {myocarde, muscle du coeur} : les termes médicaux y sont associés avec des explications.

- une typologie de transformations langagières que l'on utilise pendant la simplification de textes médicaux. Parmi les transformations les plus fréquentes, nous avons par exemple les synonymes et les termes plus génériques.

- 16 textes, généraux et médicaux, simplifiés manuellement. Les textes sont de trois types : articles d'encyclopédie sur les sujets généraux, articles d'encyclopédie sur les sujets médicaux, cas cliniques.

- un corpus de 16 textes annotés avec les indicateurs d'oculométrie. Les expériences d'oculométrie sont effectuées avec presque 90 personnes. Ce corpus fournit plusieurs indicateurs, comme les fixations (arrêts sur les mots), saccades (mouvements entre les arrêts) et régressions (retours en arrière).

- des jeux de données créées pour la compétition DEFT en 2019 et 2020 pour les tâches de similarité sémantique.

Le projet a aussi proposé deux approches pour la simplification : une basée sur les règles, une autre par apprentissage supervisé.

Ce projet ouvre de très nombreuses perspectives. Elles sont surtout liées à la création de ressources et d'outils dédiés à la simplification.

Nous pensons en effet que la création de ressources (lexiques, corpus, annotations) est une tâche extrêmement importante. D'une part, de telles ressources permettent de mieux décrire les besoins et les spécificités de la simplification et de son évaluation. D'autre part, ces ressources permettent de développer les outils de simplification adaptés pour un public donné.

Le projet CLEAR propose des méthodes innovantes pour la création de ressources et d'un prototype informatique dédiés à la simplification des textes médicaux en français. Le prototype a la vocation de jouer le rôle d'intermédiaire dans la communication entre les patients et les médecins. Le projet propose plusieurs points originaux, comme par exemple, orienter les recherches sur les besoins des patients, traiter de grosses masses de données hétérogènes et non structurées, adapter les méthodes de TAL au domaine médical, créer une base avec des connaissances pour l'explicitation de termes médicaux en français. Le projet offrira des ressources pouvant être exploitées par les médecins pour améliorer leurs interactions avec les patients. Pour les patients, il s'agit d'un moyen pour leur faciliter l'accès aux connaissances sur la pathologie et son traitement, afin qu'ils puissent mieux gérer leur pathologie et augmenter le degré de participation à la vie sociale malgré la maladie.