Pour la segmentation automatique de l'arabe parlé : l'exemple de l'arabe tunisien

International audience Le traitement des données issues de l’oral est une tâche complexe, surtout quand il s’agit d’unelangue privée d’orthographe usuelle. En effet, malgré le nombre croissant des travaux s’intéressantà l’étude du parler tunisien (Zribi & al., 2015 ; Ben Ahmed & al., 2018 ; Ben Barka 2018, GoncalvesTeixeira & al., 2023), les tâches de transcription et d’annotation des corpus collectés sur cettelangue ne cessent de soulever plusieurs interrogations, ce qui rend difficile leur exploitationlinguistique.

Si plusieurs réponses ont été avancées concernant le choix du système, du mode ou bien desconventions de transcription, la question de la segmentation, indispensable à la descriptionmorphosyntaxique, n’a pas été suffisamment explorée.

Tel est le cas de la majorité des parlers arabes, l’arabe tunisien, langue fortement agglutinante,(Hamdi, 2015; Zribi 2016), se caractérise par le rattachement des clitiques aux mots simples, ce quipermet d’obtenir des formes plus complexes dites agglutinées. Séparer les clitiques de la formefléchie est une tâche nécessaire dans une perspective de traitement des données par des outils deTraitement Automatique des Langues (TAL).

Conçues pour l’analyse de l’arabe standard moderne, les applications comme Arabic Part-of-speechTagger (Khoja, 2001), Sakher (Chalabi, 2004) ou Aramorph (Linguistic Data Consortium, 2004) nesont pas adaptées au traitement de nos données orales en arabe tunisien, transcrites en graphielatine sur TRANSCRIBER ou translittérées automatiquement grâce à l’API de l'outil Google Input etle translittérateur ATAR (Talafha & al., 2021). Plus récemment, on compte parmi les ressourcesexistantes le pipeline d’annotation multi-couche (Gugliotta & al., 2020) et le corpus TARC (Gugliotta& Dinarelli, 2020), qui est propre à la modalité écrite de l’arabe parlé au Maghreb annoté en partiedu discours.

Soucieux de faire avancer le débat sur les opérations d'exploration lexicale et d’étiquetagemorphosyntaxique de l’arabe tunisien, nous avons choisi de segmenter un échantillon de 876mots, soit environ 5min d’enregistrements, en 1392 morphs (Ben Barka Messaoudi & al., 2022). Cejeu de données nous servira de base d’inférence de règles et de corpus d’apprentissage pourentraîner un système de segmentation automatique (Harrat & al., 2019) pouvant traiter notrecorpus comportant 109705 mots (Ben Barka Messaoudi & al., 2023). Cette étape est déterminanteet préalable aux opérations d'étiquetage grammatical et d’analyse syntaxique étant donné que lesclitiques possèdent leurs propres parties du discours et fonctions syntaxiques.

En amont du traitement des unités minimales d’analyse du corpus, il convient également, pourl’analyse syntaxique en dépendance, d’effectuer une autre segmentation au niveau des unitésmaximales traitées. Ces séquences doivent manifester une complétude sémantique, uneautonomie syntaxique et une clôture intonative. Nous montrerons, à travers l’exemple de l’arabetunisien, comment les récentes technologies d’apprentissage machine et en particulier ladiarization automatique (Plaquet & Bredin, 2023) peuvent aider au prétraitement de corpusarabes oraux.