Mise à jour du programme le 18 octobre 2000

Vers une aide informatisée pour apprendre à résumer : de l’importance d'une approche cognitive
Abstract
Savoir résumer est une habileté importante que la plupart des gens doivent acquérir. Ce savoir fait appel à plusieurs capacités dont celles d'abstraction, de logique et de rédaction [2]. C'est pourquoi le résumé fait partie de la plupart des programmes d'enseignement des langues. À l'heure actuelle, l'enseignement du résumé est généralement fait de façon traditionnelle, dans le cadre de cours et à l'aide de volumes sur le sujet. À notre connaissance, il n'existe pas de système informatique destiné à aider à apprendre à résumer. L'un de nos objectifs de recherche est donc d'explorer les possibilités de l'ordinateur pour faciliter cet apprentissage. En particulier, l'utilisation d'exemples est une stratégie pédagogique efficace très répandue, mais elle ne joue qu'un rôle mineur dans les systèmes tuteurs actuels [3]. Aussi, nous développons le projet GARUCAS (Génération Automatique de Résumés Utilisant des CAS) dont l'objectif est d'aider à apprendre à résumer à partir d'exemples dans un environnement de raisonnement par cas. Ce type de raisonnement permet de rechercher des situations similaires dans une base d'exemples et de produire de nouveaux résumés en s'appuyant sur des solutions utilisées dans des exemples similaires. Partant de l'hypothèse que quelqu'un peut apprendre à résumer en observant un expert (ou un professeur) réaliser un résumé et expliquer sa démarche [5], on doit d’abord déterminer l’approche de résolution que va utiliser le système. À l'heure actuelle, certains générateurs de résumés ont été proposés, mais se prêtent-ils à un apprentissage de la rédaction de résumés basé sur l'observation ? Nos travaux nous ont amenées à penser que les méthodes de résumé employées par un système destiné à l'apprentissage devraient être explicites et proches de celles qu'utilisent les humains pour réaliser cette tâche. En effet, comment pourrait-on apprendre d'un résumeur qui emploie des méthodes incompréhensibles ou trop loin de ce qu'on doit utiliser ? Les méthodes de l'ordinateur doivent donc être claires et explicites afin de permettre à l'apprenant de les identifier, de les décrire et de les réutiliser dans le cadre de ses propres activités. Une question se pose donc : quelles méthodes va utiliser l'ordinateur, méthodes qui vont ensuite être utilisées par l'apprenant ? En fait, jusqu'ici les méthodes exploitées par les générateurs automatiques de résumés n'ont pas donné de résultats satisfaisants [8]. De plus, les méthodes, pensons par exemple aux approches statistiques, ne sont pas explicites. C'est pourquoi nous avons choisi de développer un système qui fait appel à un modèle cognitif proche de celui utilisé par les humains pour résumer [4]. En particulier, nous proposons pour le domaine du récit une approche cognitive basée sur le modèle proposé par les psycholinguistes Kintsch et van Dijk [6] en compréhension de texte. L’idée principale consiste à proposer une modélisation conceptuelle des textes étudiés et d’en construire un résumé en retenant seulement les éléments constitutifs de la partie narrative. Tout d’abord, nous mettons en évidence les événements associés au personnage principal de l’histoire. Cette représentation s’inspire des travaux réalisés par [7]. Ensuite, nous identifions les composantes essentielles du texte en tenant compte de leur fonction dans le récit étudié. Nous utilisons le prototype narratif de [1] en distinguant six éléments. Enfin, nous appliquons des règles syntaxiques et linguistiques à cette première version du résumé. Elles sont basées sur les quatre règles proposées par [6] dans la mémorisation de textes. Cette dernière phase est importante car un résumé est un texte à part entière et de surcroît autonome et autosuffisant. Cette façon de résumer est comparable à la nôtre. Nous essayons de comprendre le texte afin d’en retirer les idées générales. Nous résumons ensuite ces idées. Une relecture permet de donner une uniformité et une cohérence à la version finale du résumé. C’est donc un premier ensemble d’exemples qui est construit et ensuite utilisé pour illustrer la construction de résumé. Ces exemples permettent aussi de construire de nouveaux résumés dans le cas où le nouveau texte étudié et celui d’un exemple présentent de nombreuses similitudes. En effet, il est possible de réutiliser la même démarche en s’appuyant sur ces similitudes. Le raisonnement par cas permet alors de concevoir des systèmes flexibles et réutilisables [9].
Dans notre exposé, nous décrirons le modèle cognitif proposé dans [4] et implémenté dans le système GARUCAS. Nous motiverons l'importance d'une approche cognitive pour de tels systèmes.
Mots-clés
Systèmes éducationnels, apprendre à rédiger des résumés, raisonnement par cas, approche cognitive, modèle psycholinguistique
Références
[1] Adam, J.-M. et Revaz, F. (1996). L’analyse des récits, Paris : Éditions du Seuil, Collection Mémo.
[2] Anglard V. (1998). Le résumé de texte, Éditions du Seuil, Paris.
[3] Burow R. et Weber G. (1996). Example Explanation in Learning Environments, Proceedings, Intelligent Tutoring Systems, Third International Conference ITS'96, Montréal Canada, 12-14 Juin, C. Frasson, G. Gauthier et A. Lesgold (Éd.), Springer, Berlin, pp. 457-465.
[4] Capus L. et Tourigny N. (2000), « A Cognitive Model for Automatic Narrative Summarization in a Self-Educational System », Intelligent Tutoring Systems, 5th International Conference, ITS 2000, Montréal, Canada, June 2000, Proceedings, G. Gauthier, C. Frasson & K. VanLehn (Éds), LNCS 1839, Springer, New York, pp. 648.
[5] Capus L. et Tourigny N. (1998), « Learning Summarization by Using Similarities », CALL, Computer Assisted Language Learning, Vol. 11, No. 5, pp. 475-488.
[6] Kintsch W. et van Dijk T.A. (1978). Toward a Model of Text Comprehension and Production, Psychological Review, vol. 85, n° 5, septembre, pp. 363-394.
[7] Lehnert, W.G. (1981). Plot Units and Narrative Summarization, Cognitive Science, vol. 4. pp. 293-331.
[8] Masson N. (1998). Méthodes pour une génération variable de résumé automatique : vers un système de réduction de texte, Thèse de doctorat de l'Université Paris XI, Orsay.
[9] Tourigny N. et Capus L. (2000), « Towards Making Intelligent Training Systems Using Examples more Flexible and Reusable by Exploiting Case-Based Reasoning », Workshop W5: Case-Based Reasoning in Intelligent Training Systems, ITS'2000, The New Conditions of Learning and Training, Montréal, 19-23 juin 2000, pp. 23-28.