@inproceedings{eshkol-taravella-etal-2019-chunker,
title = "Chunker diff{\'e}rents types de discours oraux : d{\'e}fis pour l`apprentissage automatique (Chunking different spoken speech types : challenges for machine learning)",
author = "Eshkol-Taravella, Iris and
Maarouf, Mariame and
Skrovec, Marie and
Badin, Flora",
editor = "Morin, Emmanuel and
Rosset, Sophie and
Zweigenbaum, Pierre",
booktitle = "Actes de la Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles (TALN) PFIA 2019. Volume II : Articles courts",
month = "7",
year = "2019",
address = "Toulouse, France",
publisher = "ATALA",
url = "https://aclanthology.org/2019.jeptalnrecital-court.5/",
pages = "195--204",
language = "fra",
abstract = "Le travail d{\'e}crit le d{\'e}veloppement d`un chunker pour l`oral par apprentissage supervis{\'e} avec les CRFs, {\`a} partir d`un corpus de r{\'e}f{\'e}rence de petite taille et compos{\'e} de productions de nature diff{\'e}rente : monologue pr{\'e}par{\'e} vs discussion spontan{\'e}e. La m{\'e}thodologie respecte les sp{\'e}cificit{\'e}s des donn{\'e}es trait{\'e}es. L`apprentissage tient compte des r{\'e}sultats propos{\'e}s par diff{\'e}rents {\'e}tiqueteurs morpho-syntaxiques disponibles sans correction manuelle de leurs r{\'e}sultats. Les exp{\'e}riences montrent que le genre de discours (monologue vs discussion), la nature de discours (spontan{\'e} vs pr{\'e}par{\'e}) et la taille du corpus peuvent influencer les r{\'e}sultats de l`apprentissage, ce qui confirme que la nature des donn{\'e}es trait{\'e}es est {\`a} prendre en consid{\'e}ration dans l`interpr{\'e}tation des r{\'e}sultats."
}<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="eshkol-taravella-etal-2019-chunker">
<titleInfo>
<title>Chunker différents types de discours oraux : défis pour l‘apprentissage automatique (Chunking different spoken speech types : challenges for machine learning)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Iris</namePart>
<namePart type="family">Eshkol-Taravella</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Mariame</namePart>
<namePart type="family">Maarouf</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Marie</namePart>
<namePart type="family">Skrovec</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Flora</namePart>
<namePart type="family">Badin</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2019-07</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">fra</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la Conférence sur le Traitement Automatique des Langues Naturelles (TALN) PFIA 2019. Volume II : Articles courts</title>
</titleInfo>
<name type="personal">
<namePart type="given">Emmanuel</namePart>
<namePart type="family">Morin</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Sophie</namePart>
<namePart type="family">Rosset</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Pierre</namePart>
<namePart type="family">Zweigenbaum</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Toulouse, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Le travail décrit le développement d‘un chunker pour l‘oral par apprentissage supervisé avec les CRFs, à partir d‘un corpus de référence de petite taille et composé de productions de nature différente : monologue préparé vs discussion spontanée. La méthodologie respecte les spécificités des données traitées. L‘apprentissage tient compte des résultats proposés par différents étiqueteurs morpho-syntaxiques disponibles sans correction manuelle de leurs résultats. Les expériences montrent que le genre de discours (monologue vs discussion), la nature de discours (spontané vs préparé) et la taille du corpus peuvent influencer les résultats de l‘apprentissage, ce qui confirme que la nature des données traitées est à prendre en considération dans l‘interprétation des résultats.</abstract>
<identifier type="citekey">eshkol-taravella-etal-2019-chunker</identifier>
<location>
<url>https://aclanthology.org/2019.jeptalnrecital-court.5/</url>
</location>
<part>
<date>2019-7</date>
<extent unit="page">
<start>195</start>
<end>204</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Chunker différents types de discours oraux : défis pour l‘apprentissage automatique (Chunking different spoken speech types : challenges for machine learning)
%A Eshkol-Taravella, Iris
%A Maarouf, Mariame
%A Skrovec, Marie
%A Badin, Flora
%Y Morin, Emmanuel
%Y Rosset, Sophie
%Y Zweigenbaum, Pierre
%S Actes de la Conférence sur le Traitement Automatique des Langues Naturelles (TALN) PFIA 2019. Volume II : Articles courts
%D 2019
%8 July
%I ATALA
%C Toulouse, France
%G fra
%F eshkol-taravella-etal-2019-chunker
%X Le travail décrit le développement d‘un chunker pour l‘oral par apprentissage supervisé avec les CRFs, à partir d‘un corpus de référence de petite taille et composé de productions de nature différente : monologue préparé vs discussion spontanée. La méthodologie respecte les spécificités des données traitées. L‘apprentissage tient compte des résultats proposés par différents étiqueteurs morpho-syntaxiques disponibles sans correction manuelle de leurs résultats. Les expériences montrent que le genre de discours (monologue vs discussion), la nature de discours (spontané vs préparé) et la taille du corpus peuvent influencer les résultats de l‘apprentissage, ce qui confirme que la nature des données traitées est à prendre en considération dans l‘interprétation des résultats.
%U https://aclanthology.org/2019.jeptalnrecital-court.5/
%P 195-204
Markdown (Informal)
[Chunker différents types de discours oraux : défis pour l’apprentissage automatique (Chunking different spoken speech types : challenges for machine learning)](https://aclanthology.org/2019.jeptalnrecital-court.5/) (Eshkol-Taravella et al., JEP/TALN/RECITAL 2019)
ACL